論文の概要: Self-Improving Diffusion Classifiers with Minority Preference Optimization

• arxiv url: http://arxiv.org/abs/2607.03770v1
• Date: Sat, 04 Jul 2026 08:42:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.712317
• Title: Self-Improving Diffusion Classifiers with Minority Preference Optimization
• Title（参考訳）: マイノリティ選好最適化を用いた自己改善拡散分類器
• Abstract要約: 拡散分類器の出現におけるマイノリティサンプリングと知覚能力の直接的関係を示す。 マイノリティ優先最適化(MiPO)を用いたテキストSelf-Improving Diffusionsを提案する。
• 参考スコア（独自算出の注目度）: 16.52248070887429
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prior studies have demonstrated that diffusion classifiers achieve robust zero-shot classification performance. However, their effectiveness is strongly tied to the pretraining data distribution: they perform well in majority, high-density regions of the data manifold, but are significantly less accurate in minority, low-density regions. Although prior works on minority sampling have focused on generating more minority-like images, what minority sampling fundamentally enables beyond generation remains underexplored. In this paper, we reveal a direct relationship between minority sampling in generation and the perception capability of diffusion classifiers. Specifically, we show that enhancing minority sampling broadens the coverage of underrepresented regions on the data manifold, thereby improving diffusion-based recognition. To exploit this connection, we propose \textit{Self-Improving Diffusion Classifiers with Minority Preference Optimization} (MiPO), which fine-tunes a pretrained diffusion model using minority preference rewards. Using only arbitrary caption data, MiPO generates candidate samples, rewards those that better cover minority regions, and optimizes the model with LoRA and Group Relative Policy Optimization, without additional image data, external foundation models, or external reward models. This enables stable, prompt-adaptive minority sampling and translates low-density generative coverage into improved zero-shot diffusion classification. To sum up, we show that diffusion classifier perception is biased toward majority regions, demonstrate that this bias can be alleviated through minority preference optimization, and evaluate MiPO on five standard datasets.
• Abstract（参考訳）: 従来の研究では、拡散分類器が堅牢なゼロショット分類性能を実現することが示されている。 しかし、それらの効果は事前学習データ分布に強く結びついており、データ多様体の多数、高密度領域でよく機能するが、少数で低密度領域では著しく精度が低い。 マイノリティーサンプリングに関する以前の研究は、よりマイノリティー的な画像を生成することに重点を置いていたが、マイノリティーサンプリングが基本的に生成を超えて得るものは、まだ探索されていない。 本稿では,拡散分類器のマイノリティサンプリングと知覚能力の直接的関係を明らかにする。 具体的には、マイノリティサンプリングの強化により、データ多様体上の未表現領域の範囲が拡大し、拡散に基づく認識が向上することを示す。 この接続を利用するために,マイノリティ優先最適化を用いた拡散分類法 (MiPO) を提案する。 任意のキャプションデータのみを使用して、候補サンプルを生成し、マイノリティ領域をよりよくカバーしたサンプルを報酬し、追加の画像データ、外部ファンデーションモデル、外部報酬モデルなしで、LoRAとグループ相対ポリシー最適化を用いてモデルを最適化する。 これにより、安定かつ即応的なマイノリティサンプリングが可能となり、低密度生成カバレッジを改良されたゼロショット拡散分類に変換する。 要約すると、拡散分類器の認識は多数領域に偏りがあることを示し、このバイアスはマイノリティ選好最適化によって緩和できることを示し、5つの標準データセット上でMIPOを評価する。

関連論文リスト

• When Preferences Diverge: Aligning Diffusion Models with Minority-Aware Adaptive DPO [66.10041557056562]
  本稿では,拡散モデルの学習過程における嗜好データの役割について考察する。 本稿では,DPOの目的にマイノリティー・インスタンス・アウェア・メトリックを組み込んだ新しいアプローチであるAdaptive-DPOを提案する。 提案手法は,合成マイノリティデータと実世界の嗜好データの両方を効果的に扱うことを示す。
  論文  参考訳（メタデータ） (2025-03-21T07:33:44Z)
• Boost-and-Skip: A Simple Guidance-Free Diffusion for Minority Generation [57.19995625893062]
  マイノリティサンプル(Minority sample)は、データ多様体の低密度領域に位置する下記のインスタンスである。 マイノリティサンプルを生成するために,Boost-and-Skipというシンプルなガイダンスのない手法を提案する。 これらの一見自明な修正は、確固たる理論と実証的な証拠によって支えられていることを強調する。
  論文  参考訳（メタデータ） (2025-02-10T14:37:26Z)
• Self-Guided Generation of Minority Samples Using Diffusion Models [57.319845580050924]
  データ多様体の低密度領域に居住する少数サンプルを生成するための新しい手法を提案する。 我々のフレームワークは拡散モデルに基づいて構築されており、ガイドドサンプリングの原理を生かしている。 実データセットのベンチマーク実験により、我々のアプローチは現実的な低自由度マイノリティインスタンスを作成する能力を大幅に改善できることが示された。
  論文  参考訳（メタデータ） (2024-07-16T10:03:29Z)
• Generative Oversampling for Imbalanced Data via Majority-Guided VAE [15.93867386081279]
  本稿では,多数派の指導のもと,新たなマイノリティサンプルを生成する,Majority-Guided VAE(MGVAE)と呼ばれる新しいオーバーサンプリングモデルを提案する。 このようにして、新しく生成されたマイノリティサンプルは、大多数のサンプルの多様性と豊かさを継承することができ、下流タスクにおける過度な適合を軽減できる。
  論文  参考訳（メタデータ） (2023-02-14T06:35:23Z)
• Don't Play Favorites: Minority Guidance for Diffusion Models [59.75996752040651]
  本稿では,拡散モデルの生成過程をマイノリティ標本に集中させる新しい枠組みを提案する。 我々は、所望の確率レベルを持つ領域に向けて生成過程をガイドできるサンプリング技術であるマイノリティガイダンスを開発する。
  論文  参考訳（メタデータ） (2023-01-29T03:08:47Z)
• Proposal Distribution Calibration for Few-Shot Object Detection [65.19808035019031]
  few-shot object detection (FSOD)では、重度のサンプル不均衡を軽減するために、2段階の訓練パラダイムが広く採用されている。 残念ながら、極端なデータ不足は、提案の分布バイアスを増大させ、RoIヘッドが新しいクラスに進化するのを妨げます。 本稿では,RoIヘッドのローカライゼーションと分類能力を高めるために,単純かつ効果的な提案分布キャリブレーション(PDC)手法を提案する。
  論文  参考訳（メタデータ） (2022-12-15T05:09:11Z)
• Counterfactual-based minority oversampling for imbalanced classification [11.140929092818235]
  不均衡な分類におけるオーバーサンプリングの重要な課題は、新しい少数派標本の生成が多数派クラスの使用を無視することが多いことである。 対物理論に基づく新しいオーバーサンプリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-21T14:13:15Z)
• Inclusive GAN: Improving Data and Minority Coverage in Generative Models [101.67587566218928]
  データカバレッジの1つとしてマイノリティー・インクルージョンの問題を定式化する。 次に、再構成世代と敵対的トレーニングを調和させることにより、データカバレッジを改善することを提案する。 我々は、モデルが確実に含めるべきマイノリティサブグループを明示的に制御できる拡張を開発する。
  論文  参考訳（メタデータ） (2020-04-07T13:31:33Z)

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。