Fugu-MT 論文翻訳(概要): Complexity-Balanced Diffusion Splitting

論文の概要: Complexity-Balanced Diffusion Splitting

arxiv url: http://arxiv.org/abs/2606.06477v1
Date: Thu, 04 Jun 2026 17:57:15 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-05 22:39:45.029119
Title: Complexity-Balanced Diffusion Splitting
Title（参考訳）: 複雑性に基づく拡散分割
Authors: Noam Issachar, Dani Lischinski, Raanan Fattal,
Abstract要約: Complexity-Balanced Splitting (CBS)は、時間的キャパシティ割り当てのための原則的なフレームワークである。 CBSは拡散時間軸を等近似重みのセグメントに分割する。 CBSは、ステップごとの推論コストを増大させることなく、継続的に品質を向上する。
参考スコア（独自算出の注目度）: 20.558008394592097
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Standard continuous-time generative models rely on monolithic architectures that must navigate vastly different signal regimes, from isotropic noise to intricate data distributions. While scaling model capacity improves performance, deploying a massive network uniformly across the entire generative timeline is inherently inefficient. In this work, we propose Complexity-Balanced Splitting (CBS), a principled framework for temporal capacity allocation that distributes the generative workload across multiple specialized sub-networks. Grounded in function approximation theory and de Boor's equidistribution principle, CBS partitions the diffusion timeline into segments of equal approximation burden, allocating more representational capacity to regions where the generative dynamics are more difficult to model. To estimate this local complexity, we introduce two complementary and tractable monitor functions: a spatial measure based on the flow's Dirichlet energy, and a geometric measure based on the acceleration of the sampling trajectories. Using a lightweight auxiliary model to estimate these complexity profiles, our approach eliminates the need for heuristic temporal splits or computationally expensive search procedures. Extensive evaluation across multiple architectures (SiT, JiT, and UNet) and datasets demonstrates that CBS consistently improves synthesis quality without increasing per-step inference cost. In particular, CBS improves FID by ~35% on SiT-XL with CFG relative to naive temporal partitioning. Project page is available at https://noamissachar.github.io/CBS/.
Abstract（参考訳）: 標準的な連続時間生成モデルは、等方性ノイズから複雑なデータ分布まで、非常に異なる信号構造をナビゲートしなければならないモノリシックなアーキテクチャに依存している。モデルキャパシティのスケーリングはパフォーマンスを改善するが、生成タイムライン全体にわたって巨大なネットワークを均一にデプロイすることは本質的に非効率である。本研究では,複数の特定サブネットワークにまたがって生成ワークロードを分散する時間的キャパシティ割り当ての原則的フレームワークであるComplexity-Balanced Splitting(CBS)を提案する。関数近似理論とド・ブールの同分布原理に基づいて、CBSは拡散時間軸を等近似重みのセグメントに分割し、生成力学がモデル化しにくい領域により表現能力を与える。この局所的な複雑さを推定するために、フローのディリクレエネルギーに基づく空間測度とサンプリング軌道の加速度に基づく幾何測度という2つの相補的かつトラクタブルなモニター関数を導入する。これらの複雑性プロファイルを推定するために,軽量な補助モデルを用いることで,ヒューリスティックな時間分割や計算コストの高い探索手順の必要性を解消する。複数のアーキテクチャ(SiT, JiT, UNet)とデータセットにわたる広範な評価は、CBSがステップごとの推論コストを増大させることなく、一貫して合成品質を改善することを示した。特にCBSは、単純な時間分割と比較してCFGでSiT-XLのFIDを約35%改善している。プロジェクトページはhttps://noamissachar.github.io/CBS/で公開されている。

関連論文リスト

Parallel Complex Diffusion for Scalable Time Series Generation [50.01609741902786]
PaCoDiは周波数領域における生成モデリングを分離するスペクトルネイティブアーキテクチャである。本研究では,PaCoDiが生成品質と推論速度の両方において,既存のベースラインを上回っていることを示す。
論文参考訳（メタデータ） (2026-02-10T14:31:53Z)
Multivariate time series prediction using clustered echo state network [4.4778341776682735]
エコー状態ネットワーク(ESN)は、従来のリカレントニューラルネットワークに代わる効率的な代替手段を提供する。予測精度と雑音に対する頑健性の観点から,CESNは従来型ESNよりも一貫して優れていた。当社のアルゴリズムは、株式市場、太陽風、カオスRsslerシステムなど、さまざまな現実世界のデータセットでうまく機能します。
論文参考訳（メタデータ） (2025-11-28T17:14:15Z)
PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
論文参考訳（メタデータ） (2025-08-29T01:47:27Z)
StreamRL: Scalable, Heterogeneous, and Elastic RL for LLMs with Disaggregated Stream Generation [55.75008325187133]
強化学習(RL)は,大規模言語モデル(LLM)の学習後のコアとなる。 StreamRLは、最初の原則から分離して、2種類のパフォーマンスボトルネックに対処するように設計されている。実験により、StreamRLは既存の最先端システムと比較してスループットを最大2.66倍改善することが示された。
論文参考訳（メタデータ） (2025-04-22T14:19:06Z)
Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
論文参考訳（メタデータ） (2024-11-14T07:34:31Z)
Federated Learning over Hierarchical Wireless Networks: Training Latency Minimization via Submodel Partitioning [15.311309249848739]
階層型独立サブモデルトレーニング(Hierarchical independent submodel training、HIST)は、階層型クラウド-エッジ-クライアントネットワークにおけるこれらの問題に対処することを目的とした新しいFL方法論である。本研究では,HISTを空気上計算(AirComp)で拡張することにより,エッジセル上でのモデルアグリゲーションの効率をより高めることができることを示す。
論文参考訳（メタデータ） (2023-10-27T04:42:59Z)
Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
論文参考訳（メタデータ） (2023-07-17T07:12:29Z)
Vertical Federated Learning over Cloud-RAN: Convergence Analysis and System Optimization [82.12796238714589]
高速かつ正確なモデルアグリゲーションを実現するために,クラウド無線アクセスネットワーク(Cloud-RAN)ベースの垂直FLシステムを提案する。アップリンクとダウンリンクの両方の伝送を考慮した垂直FLアルゴリズムの収束挙動を特徴付ける。我々は,連続凸近似と代替凸探索に基づくシステム最適化アルゴリズムを開発した,連系トランシーバとフロントホール量子化設計によるシステム最適化フレームワークを構築した。
論文参考訳（メタデータ） (2023-05-04T09:26:03Z)
Bayesian Complementary Kernelized Learning for Multidimensional Spatiotemporal Data [11.763229353978321]
補足型並列学習(BCKL)のための新しい統計フレームワークを提案する。 BCKLは、正確な後部平均値と高品質の不確実性推定を提供することで優れた性能を提供する。
論文参考訳（メタデータ） (2022-08-21T22:38:54Z)
Scalable Spatiotemporally Varying Coefficient Modelling with Bayesian Kernelized Tensor Regression [17.158289775348063]
カーネル化されたテンソル回帰(BKTR)は、低ランクの時間構造を持つモデリングプロセスに対する新しいスケーラブルなアプローチと考えられる。そこで本研究では,BKTRのモデル推定と推定において,BKTRの優れた性能と効率性を確認した。
論文参考訳（メタデータ） (2021-08-31T19:22:23Z)
A Generative Learning Approach for Spatio-temporal Modeling in Connected Vehicular Network [55.852401381113786]
本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。 LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
論文参考訳（メタデータ） (2020-03-16T03:43:59Z)

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。