論文の概要: Assessing Sample Quality in Conditional Generation under Compositional Shift

• arxiv url: http://arxiv.org/abs/2606.09601v1
• Date: Mon, 08 Jun 2026 15:10:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:07.370643
• Title: Assessing Sample Quality in Conditional Generation under Compositional Shift
• Title（参考訳）: 組成変化下における条件生成における試料品質の評価
• Authors: Berker Demirel, Valentino Maiorca, Marco Fumero, Theofanis Karaletsos, Francesco Locatello,
• Abstract要約: トレーニング分布のみを用いて条件付きサンプルを評価するために,サンプル単位の信頼スコアを開発した。 その結果,外挿世代間で有意な比較を再現できることが示唆された。 生体イメージングにおいて、選択されたサンプルは、実際の形態的構造をより良く保存し、下流予測性能を向上させる。
• 参考スコア（独自算出の注目度）: 34.24064416169904
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conditional generators provide a natural tool for controllable generation, including settings where the desired condition is a new composition of observed attributes or experimental factors. In many applications, especially in scientific domains, such models are attractive to explore conditions for which real samples are rare, expensive, or not yet observed. However, this creates a circularity for evaluation: standard conditional quality metrics require a reference target distribution, but in the extrapolative regime that distribution is unavailable by definition. We address this problem with a post-hoc, per-sample trust score for assessing conditional samples using only the training distribution. The score combines two estimable quantities: global realism, measuring compatibility with the real data manifold, and attribute-wise faithfulness, measuring whether a sample is closer to the requested attributes than to plausible alternatives. We show that the score can recover meaningful comparisons across extrapolated generations, under a mild coverage condition on the observed attributes. These comparisons enable effective filtering, ranking, and abstention of generations and can be used directly on off-the-shelf pretrained models. In biological imaging, selected samples preserve real morphological structure better and improve downstream predictive performance, while similar gains are observed on controlled vision benchmarks. Finally, we show how the score can be applied during generation, enabling abstention before full decoding. Code is available at https://github.com/berkerdemirel/faithful-cond-gen.
• Abstract（参考訳）: 条件生成装置は、所望の条件が観測属性または実験因子の新しい構成であるような設定を含む、制御可能な生成のための自然なツールを提供する。 多くの応用、特に科学分野において、そのようなモデルは、実際のサンプルが希少、高価、あるいはまだ観測されていない条件を探求するのに魅力的である。 標準的な条件付き品質指標は基準目標分布を必要とするが、外挿法では、定義によって分布が利用できない。 トレーニング分布のみを用いて条件付きサンプルを評価するための,ポストホックでサンプル単位の信頼スコアを用いてこの問題に対処する。 このスコアは、大域的リアリズム、実データ多様体との互換性の測定、属性の忠実度という2つの推定可能な量を組み合わせる。 分析結果から,各世代間で有意な比較を再現できることを示す。 これらの比較により、効率的なフィルタリング、ランク付け、退避が可能となり、市販の事前訓練モデルで直接使用することができる。 生体イメージングでは、選択された試料は実際の形態的構造をより良く保存し、下流での予測性能を向上する一方、制御された視覚ベンチマークでは同様の利得が観察される。 最後に、生成中にスコアがどのように適用されるかを示し、完全な復号化の前に停止を可能にする。 コードはhttps://github.com/berkerdemirel/faithful-cond-gen.comから入手できる。

関連論文リスト

• Ramen: Robust Test-Time Adaptation of Vision-Language Models with Active Sample Selection [45.20212930761406]
  アクティブサンプル選択による堅牢なテスト時間適応のためのフレームワークであるRamenを提示する。 入ってくるテストサンプル毎に、Ramenは、以前に見たデータから、関連するサンプルのカスタマイズされたバッチを取得する。 複数の画像破損とドメインシフトベンチマークの実験は、Ramenが強力で一貫したパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2026-04-23T14:33:27Z)
• Assessing Sample Quality via the Latent Space of Generative Models [44.59115390303591]
  そこで本研究では,学習した生成モデルの潜伏空間について検討し,生成したサンプルの品質を推定する。 これは、生成されたサンプルの品質が、それに似たトレーニングデータの量に直接関連しているため、実現可能である。 提案手法は, VAE, GAN, 潜伏拡散モデルなど, 様々な生成モデルのサンプル品質と高い相関関係を示す。
  論文  参考訳（メタデータ） (2024-07-21T14:05:06Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• Breaking the Spurious Causality of Conditional Generation via Fairness Intervention with Corrective Sampling [77.15766509677348]
  条件生成モデルは、トレーニングデータセットから急激な相関を継承することが多い。 これは別の潜在属性に対して不均衡なラベル条件分布をもたらす。 この問題を緩和するための一般的な2段階戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-05T08:09:33Z)
• Fake It Till You Make It: Near-Distribution Novelty Detection by Score-Based Generative Models [54.182955830194445]
  既存のモデルは、いわゆる"近く分布"設定で失敗するか、劇的な低下に直面します。 本稿では, スコアに基づく生成モデルを用いて, 合成近分布異常データを生成することを提案する。 本手法は,9つのノベルティ検出ベンチマークにおいて,近分布ノベルティ検出を6%改善し,最先端のノベルティ検出を1%から5%パスする。
  論文  参考訳（メタデータ） (2022-05-28T02:02:53Z)

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。