論文の概要: Bias mitigation in graph diffusion models

• arxiv url: http://arxiv.org/abs/2604.01709v1
• Date: Thu, 02 Apr 2026 07:21:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.583466
• Title: Bias mitigation in graph diffusion models
• Title（参考訳）: グラフ拡散モデルにおけるバイアス緩和
• Authors: Meng Yu, Kun Zhan,
• Abstract要約: 本稿では,グラフ拡散モデルにおける両方のバイアスを軽減するための包括的アプローチを提案する。 我々は,前方最大摂動分布に合わせるために,新たに設計されたLangevinサンプリングアルゴリズムを用いる。 また,新たに定義されたスコア差に基づいてスコア補正機構を導入する。
• 参考スコア（独自算出の注目度）: 15.61368627978836
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most existing graph diffusion models have significant bias problems. We observe that the forward diffusion's maximum perturbation distribution in most models deviates from the standard Gaussian distribution, while reverse sampling consistently starts from a standard Gaussian distribution, which results in a reverse-starting bias. Together with the inherent exposure bias of diffusion models, this results in degraded generation quality. This paper proposes a comprehensive approach to mitigate both biases. To mitigate reverse-starting bias, we employ a newly designed Langevin sampling algorithm to align with the forward maximum perturbation distribution, establishing a new reverse-starting point. To address the exposure bias, we introduce a score correction mechanism based on a newly defined score difference. Our approach, which requires no network modifications, is validated across multiple models, datasets, and tasks, achieving state-of-the-art results.Code is at https://github.com/kunzhan/spp
• Abstract（参考訳）: 既存のグラフ拡散モデルの多くは、重大なバイアス問題を持っている。 多くのモデルにおける前方拡散の最大摂動分布は標準ガウス分布から逸脱する一方、逆サンプリングは標準ガウス分布から一貫して始まり、逆開始バイアスをもたらす。 拡散モデル固有の露光バイアスとともに、これは劣化した生成品質をもたらす。 本稿では,両バイアスを緩和するための包括的アプローチを提案する。 逆開始バイアスを軽減するために,新たに設計されたLangevinサンプリングアルゴリズムを用いて前方最大摂動分布に整合し,新たな逆開始点を確立する。 露出バイアスに対処するため,新たに定義されたスコア差に基づいてスコア補正機構を導入する。 当社のアプローチは、ネットワークの変更を必要としないため、複数のモデル、データセット、タスクにまたがって検証され、最先端の結果が得られます。

関連論文リスト

• RDDPM: Robust Denoising Diffusion Probabilistic Model for Unsupervised Anomaly Segmentation [1.4103597881677858]
  拡散モデルの最近の進歩は、教師なしの異常セグメンテーションにおいて大きな成功を収めている。 本研究では, 汚染された(正規データと異常データの混合)データのみを利用できるシナリオに対して, 頑健な拡散モデルを提案する。 我々の手法は既存の拡散に基づくアプローチよりも優れており、最大8.08%のAUROCと10.37%のAUPRCをMVTecデータセット上で達成する。
  論文  参考訳（メタデータ） (2025-08-04T21:10:26Z)
• DIVE: Inverting Conditional Diffusion Models for Discriminative Tasks [79.50756148780928]
  本稿では,事前学習した拡散モデルを用いて識別課題を遂行する問題について検討する。 我々は、事前学習されたレイアウト・ツー・イメージ拡散モデルの「反転」により、事前学習した凍結生成拡散モデルの識別能力を分類タスクからより複雑なオブジェクト検出タスクに拡張する。
  論文  参考訳（メタデータ） (2025-04-24T05:13:27Z)
• InvDiff: Invariant Guidance for Bias Mitigation in Diffusion Models [28.51460282167433]
  拡散モデルは、非常にデータ駆動であり、現実世界のデータに存在する不均衡とバイアスを継承する傾向がある。 拡散誘導のための不変意味情報学習を目的としたフレームワークInvDiffを提案する。 InvDiffは、画像生成の品質を維持しながら、バイアスを効果的に低減する。
  論文  参考訳（メタデータ） (2024-12-11T15:47:11Z)
• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• DiffInject: Revisiting Debias via Synthetic Data Generation using Diffusion-based Style Injection [9.801159950963306]
  DiffInject(ディフインジェクション)は,事前学習した拡散モデルを用いて,合成バイアス競合サンプルを増強する強力な手法である。 私たちのフレームワークでは、バイアスタイプやラベル付けに関する明確な知識は必要ありません。
  論文  参考訳（メタデータ） (2024-06-10T09:45:38Z)
• Training Unbiased Diffusion Models From Biased Dataset [18.09610829650175]
  本稿では,拡散モデルのバイアスを軽減するために,時間依存性の重要度再重み付けを提案する。 時間依存密度比が従来の手法よりも精度が高いことを示す。 スコアマッチングに直接適用することは難解であるが、再重み付けとスコア補正の両方に時間依存密度比を用いることで、目的関数の抽出可能な形式に繋がることがわかった。
  論文  参考訳（メタデータ） (2024-03-02T12:06:42Z)
• Rethinking Bias-Variance Trade-off for Generalization of Neural Networks [40.04927952870877]
  ニューラルネットワークのバイアスとばらつきを測定することで、これに対する簡単な説明を提供する。 分散一様性は、考慮したすべてのモデルに対して頑健に起こる。 より深いモデルはバイアスを減らし、分布内および分布外データのばらつきを増加させる。
  論文  参考訳（メタデータ） (2020-02-26T07:21:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。