論文の概要: Latent Diffusion for Missing Data

• arxiv url: http://arxiv.org/abs/2605.28427v1
• Date: Wed, 27 May 2026 12:57:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.059256
• Title: Latent Diffusion for Missing Data
• Title（参考訳）: 欠測データに対する潜時拡散
• Authors: Alberte Heering Estad, Ignacio Peis, Jes Frellsen,
• Abstract要約: 本研究は,MCARの崩壊下で,学習した潜在表現への拡散のシフトが頑健性を向上させるか否かを考察する。 下流の計算では、潜伏拡散はピクセル空間の拡散よりも一貫して優れた性能を達成する。
• 参考スコア（独自算出の注目度）: 6.869298033298736
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models have emerged as powerful generative approaches for missing-data imputation, yet most existing methods operate directly in data space and degrade when training data are heavily incomplete. We investigate whether shifting diffusion to a learned latent representation improves robustness under missing-completely-at-random (MCAR) corruption. To this end, we propose a two-stage framework: a robust VAE-based imputer first learns compact semantic features from incomplete observations, and a diffusion model is then trained in the resulting latent space. Across training missing rates, we perform a controlled comparison against pixel-space diffusion models under the same incomplete-data setting. The latent diffusion model maintains high sample quality and remains stable up to 50\% missingness, while pixel-space diffusion degrades progressively as missingness increases. For downstream imputation, latent diffusion also achieves consistently better performance than pixel-space diffusion. These findings indicate that latent-space modeling mitigates artifact amplification from zero-imputed inputs and provides a more robust generative prior for incomplete-data learning. Overall, our results support latent diffusion as a strong and practically useful alternative to pixel-space diffusion for missing-data problems.
• Abstract（参考訳）: 拡散モデルは、不足データ計算のための強力な生成的アプローチとして現れてきたが、既存のほとんどのメソッドは、データ空間で直接動作し、トレーニングデータが不完全であるときに劣化する。 本研究は,MCARの崩壊下で,学習した潜在表現への拡散のシフトが頑健性を向上させるか否かを考察する。 この目的のために、ロバストなVAEベースのインプタは、まず不完全な観測からコンパクトなセマンティックな特徴を学習し、拡散モデルを遅延空間で訓練する2段階のフレームワークを提案する。 不足率のトレーニング全体にわたって、同じ不完全データ設定の下で、画素空間拡散モデルに対して制御された比較を行う。 潜伏拡散モデルは高い試料品質を維持し, 消失率が最大50%まで安定であり, 画素空間拡散は消失率が増加するにつれて徐々に低下する。 下流の計算では、潜伏拡散はピクセル空間の拡散よりも一貫して優れた性能を達成する。 これらの結果から、潜在空間モデリングはゼロインプットからのアーティファクト増幅を緩和し、不完全データ学習に先立ってより堅牢な生成をもたらすことが示唆された。 全体として,データ不足問題に対する画素空間拡散の代替として,潜時拡散が強力かつ実用的に有用であることを示す。

関連論文リスト

• Demystifying Diffusion Objectives: Reweighted Losses are Better Variational Bounds [23.425710086428413]
  拡散モデルの訓練に広く用いられている再重み付き損失の新たな理論的解釈を導出する。 本手法は,データログに時間依存的な変動的下界のカスケードを構築することに基づく。 本稿では、連続拡散モデルに匹敵するサンプル品質にアプローチし、画素空間画像モデリングにおける以前のトレーニング損失よりも大幅に改善したことを報告する。
  論文  参考訳（メタデータ） (2025-11-24T19:58:45Z)
• Unleashing the Potential of the Semantic Latent Space in Diffusion Models for Image Dehazing [25.138589492384654]
  DiffLI$2$Dという画像デハジングのための拡散遅延インスパイアネットワークを提案する。 まず、事前学習した拡散モデルのセマンティック潜時空間が、画像の内容とヘイズ特性を表現することができることを明らかにした。 異なる時間ステップでの拡散遅延表現を繊細に設計したデハジングネットワークに統合し、画像デハジングの指示を与える。
  論文  参考訳（メタデータ） (2025-09-24T13:11:37Z)
• Diffusion State-Guided Projected Gradient for Inverse Problems [82.24625224110099]
  逆問題に対する拡散状態ガイド型射影勾配(DiffStateGrad)を提案する。 DiffStateGrad は拡散過程の中間状態の低ランク近似である部分空間に測定勾配を投影する。 DiffStateGradは、測定手順のステップサイズとノイズの選択によって拡散モデルのロバスト性を向上させる。
  論文  参考訳（メタデータ） (2024-10-04T14:26:54Z)
• Latent Space Score-based Diffusion Model for Probabilistic Multivariate Time Series Imputation [6.9295879301090535]
  確率的時系列計算のための遅延空間スコアベース拡散モデル(LSSDM)を提案する。 LSSDMは、計算機構のより良い説明と不確実性解析を提供しながら、優れた計算性能を実現する。
  論文  参考訳（メタデータ） (2024-09-13T15:32:26Z)
• Integrating Amortized Inference with Diffusion Models for Learning Clean Distribution from Corrupted Images [19.957503854446735]
  拡散モデル(DM)は、逆問題を解決するための強力な生成モデルとして登場した。 FlowDiffは条件付き正規化フローモデルを利用して、破損したデータソース上で拡散モデルのトレーニングを容易にする共同トレーニングパラダイムである。 実験の結果,FlowDiffは広範囲の破損したデータソースにわたるクリーンな分布を効果的に学習できることがわかった。
  論文  参考訳（メタデータ） (2024-07-15T18:33:20Z)
• Consistent Diffusion Meets Tweedie: Training Exact Ambient Diffusion Models with Noisy Data [74.2507346810066]
  アンビエント拡散(アンビエント拡散、アンビエント拡散、アンビエント拡散、アンビエント拡散、アンビエント拡散、アンビエント拡散、アンビエント拡散、アンビエント拡散、アンビエント拡散、アンビエント拡散、アンビエント拡散、アンビエント拡散、アンビエント拡散、アンビエント拡散 本稿では,ノイズの多い学習データのみを考慮し,故障のない分布から確実にサンプルを採取する拡散モデルのトレーニングのための最初のフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-20T14:22:12Z)
• InfoDiffusion: Representation Learning Using Information Maximizing Diffusion Models [35.566528358691336]
  InfoDiffusionは低次元潜伏変数を持つ拡散モデルを拡張するアルゴリズムである。 情報拡散は、観測された変数と隠れた変数の相互情報に規則化された学習目標に依存する。 インフォディフュージョンは、最先端の生成的およびコントラスト的手法と競合する非絡み合いおよび人間解釈可能な潜在表現を学習する。
  論文  参考訳（メタデータ） (2023-06-14T21:48:38Z)

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。