論文の概要: Diffusion Integrated Gradients: Controllable Path Generation for Flexible Feature Attribution

• arxiv url: http://arxiv.org/abs/2606.22314v1
• Date: Sun, 21 Jun 2026 03:04:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 16:10:15.092234
• Title: Diffusion Integrated Gradients: Controllable Path Generation for Flexible Feature Attribution
• Title（参考訳）: 拡散積分勾配:柔軟な特徴属性のための制御可能な経路生成
• Authors: Soyeon Kim, Kyowoon Lee, Jaesik Choi,
• Abstract要約: Integrated Diffusion Gradients (DiffIG) は条件付き生成モデル問題として経路生成を再構成する新しい手法である。 我々は、DiffIGが既存のパスベースの手法と定量的に一致し、性能を向上し、知覚的に整合した説明を達成できることを実証した。 この研究は、柔軟な予測時間制御可能な説明可能な人工知能(XAI)手法のための新しい生成的視点を導入している。
• 参考スコア（独自算出の注目度）: 29.066960285647962
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Path-based attribution methods such as Integrated Gradients (IG) are widely adopted for their strong axiomatic properties and effectiveness in attributing model predictions to input features by integrating gradients along a path from a baseline to the input. However, the choice of the attribution path largely affects the quality of explanations, and existing approaches rely on fixed or hand-crafted paths that often produce noisy or distorted attributions. To address this limitation, we propose Diffusion Integrated Gradients (DiffIG), a novel method that reformulates path generation as a conditional generative modeling problem. DiffIG first trains a diffusion model to learn a distribution over paths generated from a Stick-Breaking Process, then employs guided sampling to embed user guidance during the sampling procedure. We demonstrate that DiffIG quantitatively matches or outperforms existing path-based methods, achieving perceptually aligned explanations. This work introduces a new generative perspective for flexible, inference-time controllable Explainable Artificial Intelligence (XAI) methods.
• Abstract（参考訳）: Integrated Gradients (IG) のようなパスベースの帰属法は、ベースラインから入力への経路に沿った勾配を統合することにより、入力特徴に対するモデル予測の強い公理的性質と有効性に広く採用されている。 しかし、帰属経路の選択は説明の質に大きく影響し、既存のアプローチは、しばしばノイズや歪んだ帰属を生み出す固定または手作りの経路に依存している。 この制限に対処するため,条件付き生成モデル問題として経路生成を再構成するDiffIG(Diffusion Integrated Gradients)を提案する。 DiffIGはまず拡散モデルを訓練し、スティック・ブランキング・プロセスから生成された経路上の分布を学習し、次にガイド付きサンプリングを使用してサンプリング手順中にユーザーガイダンスを埋め込む。 我々は、DiffIGが既存のパスベースの手法と定量的に一致し、性能を向上し、知覚的に整合した説明を達成できることを実証した。 この研究は、柔軟な予測時間制御可能な説明可能な人工知能(XAI)手法のための新しい生成的視点を導入している。

関連論文リスト

• Euphonium: Steering Video Flow Matching via Process Reward Gradient Guided Stochastic Dynamics [49.242224984144904]
  本稿では,プロセス報酬勾配誘導ダイナミクスによる生成を支援する新しいフレームワークであるEuphoniumを提案する。 我々の重要な洞察は、プロセス・リワード・モデルの勾配を明示的に組み込んだ理論的に原理化されたアルゴリズムとしてサンプリング・プロセスを定式化することである。 我々は,誘導信号をフローネットワークに内部化する蒸留目標を導出し,報奨モデルへの推論時間依存性を排除した。
  論文  参考訳（メタデータ） (2026-02-04T08:59:57Z)
• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• TAG:Tangential Amplifying Guidance for Hallucination-Resistant Diffusion Sampling [53.61290359948953]
  タンジェンシャル増幅誘導(TAG)は、下層の拡散モデルを変更することなく、軌道信号のみで動作する。 この誘導過程を1次テイラー展開を利用して定式化する。 TAGは、最小限の計算加算で拡散サンプリング忠実度を改善する、プラグアンドプレイのアーキテクチャに依存しないモジュールである。
  論文  参考訳（メタデータ） (2025-10-06T06:53:29Z)
• Flows and Diffusions on the Neural Manifold [0.0]
  拡散およびフローベース生成モデルは、画像合成、ビデオ生成、自然言語モデリングといった領域で顕著に成功している。 本研究では、最近の手法を活用して、これらの進歩を重み空間学習に拡張し、最適化力学から導かれる構造的事前を組み込む。 我々は,勾配流の整合性を考慮した軌道推論手法を統一し,最適化経路を帰納バイアスとして扱うための理論的枠組みを提供する。
  論文  参考訳（メタデータ） (2025-07-14T02:26:06Z)
• DDPS: Discrete Diffusion Posterior Sampling for Paths in Layered Graphs [27.60869539689859]
  離散拡散モデルを用いた階層グラフにおける経路生成問題について検討する。 提案手法では, パッド付き隣接リスト行列と呼ばれる経路に対して, 単純かつ効果的に表現できる。 予備的な結果から,提案手法は経路制約を明示的に考慮しない代替手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-04-29T13:34:17Z)
• Unsupervised Discovery of Interpretable Directions in h-space of Pre-trained Diffusion Models [63.1637853118899]
  本稿では,事前学習した拡散モデルのh空間における解釈可能な方向を特定するための,教師なしおよび学習に基づく最初の手法を提案する。 我々は、事前訓練された拡散モデルのh-スペースで動作するシフト制御モジュールを用いて、サンプルをシフトしたバージョンに操作する。 それらを共同で最適化することで、モデルは自然に絡み合った、解釈可能な方向を発見する。
  論文  参考訳（メタデータ） (2023-10-15T18:44:30Z)
• Towards Controllable Diffusion Models via Reward-Guided Exploration [15.857464051475294]
  強化学習(RL)による拡散モデルの学習段階を導く新しい枠組みを提案する。 RLは、政策そのものではなく、指数スケールの報酬に比例したペイオフ分布からのサンプルによる政策勾配を計算することができる。 3次元形状と分子生成タスクの実験は、既存の条件拡散モデルよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-04-14T13:51:26Z)

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。