論文の概要: MIND: Monge Inception Distance for Generative Models Evaluation

• arxiv url: http://arxiv.org/abs/2605.06797v1
• Date: Thu, 07 May 2026 18:00:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.530175
• Title: MIND: Monge Inception Distance for Generative Models Evaluation
• Title（参考訳）: MIND:生成モデル評価のためのマネーインセプション距離
• Authors: Quentin Berthet, Yu-Han Wu, Clement Crepy, Romuald Elie, Klaus Greff, Michael Eli Sander,
• Abstract要約: Monge Inception Distance (MIND)は、生成モデルを評価するための指標である。 MINDは広く採用されているFréchet Inception Distance (FID)の重要な制限に対処する 5kサンプルを用いたMINDは,FIDの評価性能を50kサンプルに置き換えることができることを示す。
• 参考スコア（独自算出の注目度）: 13.648038075720342
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose the Monge Inception Distance (MIND), a metric for evaluating generative models that addresses key limitations of the widely adopted Fréchet Inception Distance (FID). The MIND metric leverages the sliced Wasserstein distance to compare distributions by averaging one-dimensional optimal transport distances, efficiently computed via sorting. This approach circumvents the estimation of high-dimensional means and covariance matrices, which underlie FID's poor sample complexity and vulnerability to adversarial attacks. We empirically demonstrate three primary advantages: (i) it is more sample-efficient by one order of magnitude, (ii) it is faster to compute by two orders of magnitude, (iii) it is more robust to adversarial attacks such as moment-matching. We show that MIND with 5k samples can replace the evaluation performance of FID with 50k samples, providing high correlation with this standard benchmark and superior discriminative performance. We further demonstrate that even smaller sample sizes (e.g., 1k or 2k) remain highly informative for rapid model iteration.
• Abstract（参考訳）: 我々は、広く採用されているFréchet Inception Distance (FID)の重要な制約に対処する生成モデルを評価するための指標であるMonge Inception Distance (MIND)を提案する。 MIND計量はスライスされたワッサーシュタイン距離を利用して、1次元の最適輸送距離を平均化し、ソートによって効率的に計算する。 このアプローチは、FIDのサンプルの複雑さと敵攻撃に対する脆弱性を未然に生み出す、高次元の手段と共分散行列の推定を回避している。 私たちは3つの大きな利点を実証的に示します。 (i)一桁の精度で試料効率が良いこと。 (ii)2桁の計算がより高速である。 (三)モーメントマッチングのような敵の攻撃に対してより強固である。 5kサンプルのMDNはFIDの評価性能を50kサンプルに置き換えることができ、この標準ベンチマークと高い相関性を示し、識別性能に優れることを示す。 さらに、より小さなサンプルサイズ(例:1k、または2k)であっても、迅速なモデル反復に対して非常に有意であることを示す。

関連論文リスト

• Robust Single-message Shuffle Differential Privacy Protocol for Accurate Distribution Estimation [29.22457447003792]
  シュッフルDPフレームワークである純粋シャッフルモデルに基づく分散推定について,強いセキュリティ仮定を伴わずに検討した。 本稿では, 単一メッセージ型テキストタダプティブ・シャフラー・プロトコル(ASP)を提案する。
  論文  参考訳（メタデータ） (2026-03-05T11:40:26Z)
• Are First-Order Diffusion Samplers Really Slower? A Fast Forward-Value Approach [12.564043065639177]
  高次ODEソルバは拡散確率モデル(DPM)サンプリングを高速化するための標準ツールとなっている。 本稿では, DPM 評価の配置がサンプリング精度に大きく影響することを示す。 本稿では,DDIMと逆の符号を持つ新しい学習自由一階検定器を提案する。
  論文  参考訳（メタデータ） (2025-12-31T15:35:53Z)
• A Novel Approach for Estimating Largest Lyapunov Exponents in One-Dimensional Chaotic Time Series Using Machine Learning [0.0]
  機械学習を用いて1次元カオス時系列から最大のリアプノフ指数(LLE)を推定するためのデータ駆動手法を提案する。 予測器はサンプル外マルチ水平予測を生成するように訓練され、LLEは地平線を横切る幾何平均予測誤差(GMAE)の指数的成長から推定される。 我々は,4つの標準1次元地図-ロジスティック,正弦,立方体,チェビシェフが達成するR2pos > 0.99のアプローチを,M = 450と短い列の基準LLE曲線に対して検証した。
  論文  参考訳（メタデータ） (2025-07-07T10:53:02Z)
• Fractured Chain-of-Thought Reasoning [61.647243580650446]
  完全CoTと解のみのサンプリングを補間する統合推論時間戦略であるフラクチャードサンプリングを導入する。 フラクチャードサンプリングは、Pass@kとトークンの予算に対して、急激なログ線形スケーリングゲインをもたらすため、優れた精度とコストのトレードオフを一貫して達成できることを示す。
  論文  参考訳（メタデータ） (2025-05-19T11:30:41Z)
• Adaptive Sampled Softmax with Inverted Multi-Index: Methods, Theory and Applications [79.53938312089308]
  MIDX-Samplerは、逆多重インデックスアプローチに基づく新しい適応型サンプリング戦略である。 本手法は, サンプリングバイアス, 勾配バイアス, 収束速度, 一般化誤差境界などの重要な問題に対処するため, 厳密な理論的解析によって裏付けられている。
  論文  参考訳（メタデータ） (2025-01-15T04:09:21Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Disentangle Your Dense Object Detector [82.22771433419727]
  深層学習に基づく高密度物体検出器はここ数年で大きな成功を収め、ビデオ理解などのマルチメディアアプリケーションにも応用されてきた。 しかし、現在の高密度検出器の訓練パイプラインは、保持できない多くの接続に妥協されている。 そこで本研究では, 簡易かつ効果的な遠心分離機構を設計し, 現在の最先端検出器に統合するDED(Disentangled Dense Object Detector)を提案する。
  論文  参考訳（メタデータ） (2021-07-07T00:52:16Z)
• MongeNet: Efficient Sampler for Geometric Deep Learning [17.369783838267942]
  MongeNetは高速かつ最適なトランスポートベースのサンプリングツールで、より優れた近似特性を備えたメッシュの正確な識別を可能にする。 本手法をユビキタスなランダムな一様サンプリングと比較し,近似誤差がほぼ半分であり,計算オーバーヘッドが非常に小さいことを示す。
  論文  参考訳（メタデータ） (2021-04-29T17:59:01Z)

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。