論文の概要: Training data attribution in diffusion models via mirrored unlearning and noise-consistent skew

• arxiv url: http://arxiv.org/abs/2605.17938v1
• Date: Mon, 18 May 2026 06:52:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.93305
• Title: Training data attribution in diffusion models via mirrored unlearning and noise-consistent skew
• Title（参考訳）: ミラー付き未学習とノイズ一貫性スキューによる拡散モデルの学習データ帰結
• Authors: Joan Serrà, Dipam Goswami, Fabio Morreale, Wei-Hsiang Liao, Yuki Mitsufuji,
• Abstract要約: トレーニングデータ属性(TDA)は、生成モデル解釈を可能にし、様々な下流タスクを育成する。 現在のTDAアプローチは信頼性と堅牢性に欠けており、現実のセットアップでは採用されない。 我々は、ミラー化未学習および雑音持続スキュー(MUCS)を用いてTDAを実行することを提案する。
• 参考スコア（独自算出の注目度）: 37.305953456688606
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Training data attribution (TDA) should enable generative model interpretability and foster a variety of related downstream tasks. Nonetheless, current TDA approaches lack reliability and robustness, preventing their adoption in real-world setups. In this paper, we take a decisive step towards more reliable and robust TDA for diffusion models. We propose to perform TDA with mirrored unlearning and noise-consistent skew (MUCS). The idea is to fine-tune a second model with bounded mirrored gradient ascent, and to measure the normalized skew of this model with respect to the original one using consistent noise samples. We show that, while being conceptually simple and generic, MUCS systematically outperforms existing methods on three different datasets by a large margin. We additionally study the effect that core design choices have on final performance, and analyze novel aspects regarding the overlap of influential instances across generated items and the potential of ensembling TDA approaches. We believe that our findings may have broader implications for more general unlearning setups, as well as for tasks requiring the comparison of diffusion losses.
• Abstract（参考訳）: トレーニングデータ属性(TDA)は、生成モデル解釈を可能にし、様々な下流タスクを育成する。 それでも、現在のTDAアプローチは信頼性と堅牢性に欠けており、現実のセットアップでは採用されない。 本稿では,拡散モデルのための信頼性と堅牢なTDAに向けて決定的な一歩を踏み出す。 我々は、ミラー化未学習および雑音持続スキュー(MUCS)を用いてTDAを実行することを提案する。 このアイデアは、有界な勾配上昇を持つ第2のモデルを微調整し、一貫したノイズサンプルを用いて、このモデルの正規化スキューを測定することである。 概念的に単純で汎用的なMUCSは、3つの異なるデータセット上の既存のメソッドを大きなマージンで体系的に上回ることを示す。 さらに、コア設計選択が最終性能に与える影響について検討し、生成した項目間の影響事例の重複とTDAアプローチの活用の可能性について、新しい側面を解析する。 本研究は, より一般的なアンラーニング・セットアップや, 拡散損失の比較を必要とするタスクにおいて, より広範な意味を持つと考えられる。

関連論文リスト

• On Designing Diffusion Autoencoders for Efficient Generation and Representation Learning [14.707830064594056]
  拡散オートエンコーダ(DA)は、入力依存の潜在変数を使用して、拡散過程と共に表現をキャプチャする。 より良い生成モデリングは、別のクラスの拡散モデル -- 前方(ノイズ)プロセスを学ぶもの -- の第一の目標です。
  論文  参考訳（メタデータ） (2025-05-30T18:14:09Z)
• What is Adversarial Training for Diffusion Models? [4.71482540145286]
  拡散モデル(DM)に対する対戦訓練(AT)は,分類器と根本的に異なることを示す。 ATは拡散流の滑らかさを強制し、異常値と破損したデータを改善する方法である。 我々は,低次元および高次元空間における既知の分布を持つ概念実証データセットを用いて,我々のアプローチを厳密に評価する。
  論文  参考訳（メタデータ） (2025-05-27T20:32:28Z)
• Improved Diffusion-based Generative Model with Better Adversarial Robustness [65.38540020916432]
  拡散確率モデル(DPM)は、生成タスクにおいて大きな成功を収めた。 デノナイジングプロセスでは、入力データ分布はトレーニングと推論の段階によって異なる。
  論文  参考訳（メタデータ） (2025-02-24T12:29:16Z)
• Enhancing Training Data Attribution for Large Language Models with Fitting Error Consideration [74.09687562334682]
  Debias and Denoise Attribution (DDA) と呼ばれる新しいトレーニングデータ属性法を導入する。 提案手法は既存のアプローチよりも優れており,平均91.64%のAUCを実現している。 DDAは、様々なソースとLLaMA2、QWEN2、Mistralのような異なるスケールのモデルに対して、強力な汎用性とスケーラビリティを示す。
  論文  参考訳（メタデータ） (2024-10-02T07:14:26Z)
• Intention-aware Denoising Diffusion Model for Trajectory Prediction [14.524496560759555]
  軌道予測は、特に衝突回避システムにおいて、自律運転において不可欠な要素である。 本稿では,拡散モデルを用いて将来の軌道の分布を生成することを提案する。 Intention-aware denoising Diffusion Model (IDM)を提案する。 提案手法は,SDDデータセットでは13.83ピクセル,ETH/UCYデータセットでは0.36メートルのFDEで,最先端の結果が得られる。
  論文  参考訳（メタデータ） (2024-03-14T09:05:25Z)
• Adaptive Training Meets Progressive Scaling: Elevating Efficiency in Diffusion Models [52.1809084559048]
  TDCトレーニングと呼ばれる新しい2段階分割型トレーニング戦略を提案する。 タスクの類似性と難易度に基づいてタイムステップをグループ化し、高度にカスタマイズされた復調モデルを各グループに割り当て、拡散モデルの性能を向上させる。 2段階のトレーニングでは、各モデルを個別にトレーニングする必要がなくなるが、総トレーニングコストは、単一の統合されたデノナイジングモデルをトレーニングするよりもさらに低い。
  論文  参考訳（メタデータ） (2023-12-20T03:32:58Z)
• Diff-Instruct: A Universal Approach for Transferring Knowledge From Pre-trained Diffusion Models [77.83923746319498]
  本稿では,任意の生成モデルの学習を指導するDiff-Instructというフレームワークを提案する。 Diff-Instructは、最先端の単一ステップ拡散モデルであることを示す。 GANモデルの精製実験により、Diff-InstructはGANモデルの事前訓練されたジェネレータを一貫して改善できることが示されている。
  論文  参考訳（メタデータ） (2023-05-29T04:22:57Z)
• Restoration based Generative Models [0.886014926770622]
  デノイング拡散モデル(DDM)は、印象的な合成品質を示すことで注目を集めている。 本稿では、画像復元(IR)の観点からDDMの解釈を確立する。 本稿では,前処理の柔軟性を生かして,拡散過程と比較して性能を向上するマルチスケールトレーニングを提案する。 われわれのフレームワークは、新しいタイプのフレキシブル・ジェネラル・ジェネラル・ジェネレーティブ・モデルの設計の道を開いたと信じている。
  論文  参考訳（メタデータ） (2023-02-20T00:53:33Z)

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。