Fugu-MT 論文翻訳(概要): How Do Diffusion Classifiers Decide? A Bias-Centric Evaluation

論文の概要: How Do Diffusion Classifiers Decide? A Bias-Centric Evaluation

arxiv url: http://arxiv.org/abs/2607.03831v1
Date: Sat, 04 Jul 2026 11:35:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-07 22:26:29.733783
Title: How Do Diffusion Classifiers Decide? A Bias-Centric Evaluation
Title（参考訳）: 拡散分類器はどのように決定するか : バイアス中心評価
Abstract要約: 本稿では,3次元の拡散分類器のバイアス評価であるASOB-Benchを紹介する。これらの次元は、徹底的な分類としてではなく、テキスト条件の再構成エラースコアがどのように決定に達するかの目標調査として機能する。拡散分類器はOpenCLIPベースラインよりも属性ミスバインドが少なく、確立されたComCoベンチマークでは、サイズ順ショートカットにかなり敏感である。 ImageNet-Bでは、彼らははるかに大きな精度低下を被り、前景の手がかりを背景に大きく依存していることが判明した。
参考スコア（独自算出の注目度）: 2.557366331463333
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Diffusion models have recently been repurposed for zero-shot classification, giving rise to diffusion classifiers that identify the best-matching text prompt by minimizing the noise-prediction error. Despite their growing adoption, how these models make classification decisions remains poorly understood. We introduce ASOB-Bench, a bias evaluation for diffusion classifiers along three dimensions: Attribute binding, Size-Order bias, and Background dependency. These dimensions serve not as an exhaustive taxonomy but as targeted probes of how the text-conditioned reconstruction-error score reaches a decision. Such a perspective is well studied for discriminative vision-language models, yet remains overlooked for diffusion classifiers. Extending an existing framework with five new attribute categories on newly constructed datasets, we find diffusion classifiers are less prone to attribute misbinding than an OpenCLIP baseline; on the established ComCo benchmark they are substantially more susceptible to size-order shortcuts; and on ImageNet-B they suffer far larger accuracy drops, revealing heavy reliance on background over foreground cues. Reconstruction-error heatmaps and U-Net cross-attention visualizations expose the mechanism behind each bias. Because diffusion classifiers share the same denoiser as text-to-image models, these single-pass diagnostics also point toward analogous failure modes in generation. Overall, diffusion classifiers exhibit a distinct bias profile from vision-language models, offering guidance for building more robust diffusion-based models.
Abstract（参考訳）: 拡散モデルは最近、ゼロショット分類のために再利用され、ノイズ予測誤差を最小限に抑え、最適なマッチングテキストを識別する拡散分類器が出現した。採用が増えているにもかかわらず、これらのモデルがどのように分類決定を下すかはいまだに理解されていない。本稿では,3次元の拡散分類器のバイアス評価であるASOB-Benchを紹介する。これらの次元は、徹底的な分類としてではなく、テキスト条件の再構成エラースコアがどのように決定に達するかの目標調査として機能する。このような視点は、識別的視覚言語モデルではよく研究されているが、拡散分類器では見過ごされている。既存のフレームワークを新たに構築されたデータセットに5つの属性カテゴリで拡張すると、拡散分類器はOpenCLIPベースラインよりも属性のミスバインドが少なくなる。レコンストラクション・エラー・ヒートマップとU-Netのクロスアテンション・ビジュアライゼーションは、それぞれのバイアスの背後にあるメカニズムを明らかにする。拡散分類器はテキスト・ツー・イメージモデルと同一のデノイザを持つため、これらの単一パス診断は世代内の類似の障害モードも指している。全体として、拡散分類器は視覚言語モデルとは異なるバイアスプロファイルを示し、より堅牢な拡散モデルを構築するためのガイダンスを提供する。

関連論文リスト

Revisiting Autoregressive Models for Generative Image Classification [24.39392782908908]
我々は、視覚的ARに基づく生成分類器を再検討し、事前アプローチの重要な制限を特定する。我々は,一階述語予測が偏微分的手がかりに依存しているのに対し,複数のトークン順序を平均化するとより包括的な信号が得られることを観察した。我々は、最近の任意の順序のARモデルを利用して、順列化予測を推定し、ARモデルの高い分類ポテンシャルを解き放つ。
論文参考訳（メタデータ） (2026-03-19T16:44:23Z)
Generative Classifiers Avoid Shortcut Solutions [84.23247217037134]
分類に対する差別的なアプローチは、しばしば、分配されるが、小さな分布シフトの下で失敗するショートカットを学習する。生成型分類器は、主にスパイラルな特徴ではなく、コアとスパイラルの両方の全ての特徴をモデル化することでこの問題を回避することができることを示す。拡散型および自己回帰型生成型分類器は,5つの標準画像およびテキスト分散シフトベンチマークにおいて最先端の性能を実現する。
論文参考訳（メタデータ） (2025-12-31T18:31:46Z)
SCALEX: Scalable Concept and Latent Exploration for Diffusion Models [59.86284983662119]
画像生成モデルは、しばしば、性別、人種、職業に関連するステレオタイプを含む社会的バイアスを符号化する。拡散モデルラテント空間のスケーラブルかつ自動探索のためのフレームワークであるSCALEXを紹介する。自然言語プロンプトのみを使用して、H空間から意味論的に意味のある方向を抽出し、リトレーニングやラベル付けをせずにゼロショット解釈を可能にする。
論文参考訳（メタデータ） (2025-11-13T22:02:44Z)
Selective Underfitting in Diffusion Models [62.51850508420274]
拡散モデルは,学習時間の帰納バイアスによる経験的スコアに不適合である。スコアを至る所で不適合にする代わりに、より良い拡散モデルは入力空間の特定の領域のスコアをより正確に近似し、他の領域では不適合にする。その結果, 拡散モデルを理解するためには選択的不適合性が不可欠であることが確認され, 一般化と生成性能に関する新たな検証可能な知見が得られた。
論文参考訳（メタデータ） (2025-10-01T19:06:20Z)
Studying Classifier(-Free) Guidance From a Classifier-Centric Perspective [100.54185280153753]
分類器なし誘導と分類器なし誘導の両方が,微分拡散軌道を決定境界から遠ざけることによって条件付き生成を実現することがわかった。本研究では,フローマッチングをベースとした汎用的な後処理ステップを提案し,事前学習した復調拡散モデルに対する学習分布と実データ分布とのギャップを小さくする。
論文参考訳（メタデータ） (2025-03-13T17:59:59Z)
Generalized Interpolating Discrete Diffusion [65.74168524007484]
仮面拡散はその単純さと有効性のために一般的な選択である。ノイズ発生過程の設計において、より柔軟性の高い離散拡散(GIDD)を補間する新しいファミリを一般化する。 GIDDの柔軟性をエクスプロイトし、マスクと均一ノイズを組み合わせたハイブリッドアプローチを探索し、サンプル品質を向上する。
論文参考訳（メタデータ） (2025-03-06T14:30:55Z)
Conditional Diffusion Models are Medical Image Classifiers that Provide Explainability and Uncertainty for Free [0.7624308578421438]
本研究は,2次元医用画像分類のためのクラス条件拡散モデルの可能性を初めて探求するものである。そこで我々は,医療拡散分類器の性能向上を図るために,新しい多数決方式を開発した。 CheXpertとISICのメラノーマ皮膚がんデータセットの実験は、基礎と訓練されたスクラッチ拡散モデルが競争力を発揮することを示した。
論文参考訳（メタデータ） (2025-02-06T00:37:21Z)
Debiasing Classifiers by Amplifying Bias with Latent Diffusion and Large Language Models [9.801159950963306]
DiffuBiasはテキスト・画像生成のための新しいパイプラインであり、バイアス・コンフリクト・サンプルを生成することで分類器の堅牢性を高める。 DrouBiasは、安定拡散モデルを活用する最初のアプローチである。総合実験により,DiffuBiasがベンチマークデータセット上で最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2024-11-25T04:11:16Z)
Your Diffusion Model is Secretly a Certifiably Robust Classifier [40.31532959207627]
拡散分類器が$O(1)$ Lipschitznessを持ち、それらの証明された堅牢性を確立し、それらの固有のレジリエンスを実証する。その結果、CIFAR-10の80%以上と70%以上は、それぞれ0.25未満の標準と0.5未満の逆方向の摂動下での強靭性が確認された。
論文参考訳（メタデータ） (2024-02-04T02:09:18Z)
Your Diffusion Model is Secretly a Zero-Shot Classifier [90.40799216880342]
大規模テキスト・画像拡散モデルからの密度推定をゼロショット分類に活用できることを示す。分類に対する我々の生成的アプローチは、様々なベンチマークで強い結果が得られる。我々の結果は、下流タスクにおける差別的モデルよりも生成的な利用に向けての一歩である。
論文参考訳（メタデータ） (2023-03-28T17:59:56Z)

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。