論文の概要: Model Collapse: On Recursion, Noise, and Uncharted Machine Visions

• arxiv url: http://arxiv.org/abs/2607.09705v1
• Date: Mon, 22 Jun 2026 07:32:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-19 21:54:20.379015
• Title: Model Collapse: On Recursion, Noise, and Uncharted Machine Visions
• Title（参考訳）: モデル崩壊:再帰性、騒音、および未知の機械ビジョンについて
• Authors: Violaine Boutet de Monvel,
• Abstract要約: 2023年以降、コンピューター科学者は模型の崩壊を警告してきた。 モデル崩壊はAI生成出力によるトレーニングセットの汚染である。 本稿では,崩壊がトランスヒューマニズム的理想にもたらす影響について論じる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Since 2023, computer scientists have warned against model collapse -- the contamination of training sets with AI-generated outputs that progressively degrade model performance. Exemplifying a positive-feedback-driven failure, it produces effects such as word repetition or pixel noise, ultimately leading to a loss of meaning and coherence -- at least from an engineering standpoint. From a creative one, however, collapse is not merely a breakdown: it also functions as a recursive mirror that recalls early analog video feedback experiments, raising once again the question of what happens when a system turns inward and sees itself. In such cases, so-called machine vision no longer transmits the world (as in tele-vision) but increasingly generates worlds from within. Drawing on media archaeology through case studies of both historical video synthesis techniques and contemporary artistic uses of machine learning, this paper examines what recursive training reveals about the dependent nature of AI-generated data. It argues that the potential effects of collapse challenge transhumanist ideals while inviting an aesthetic perspective, positioning noise and recursion as key concepts for understanding both artmaking and the AI ecosystem. Distributing agency across scales and networks, the latter currently remains reliant on new human-produced content, particularly within foundation models trained on massive datasets.
• Abstract（参考訳）: 2023年以降、コンピューター科学者は、モデルの性能を徐々に低下させるAI生成出力によるトレーニングセットの汚染について警告してきた。 肯定的なフィードバック駆動の失敗を例示すると、単語の繰り返しやピクセルノイズなどの効果が生まれ、最終的には、少なくともエンジニアリングの観点から、意味と一貫性が失われます。 初期のアナログビデオのフィードバック実験をリコールする再帰ミラーとしても機能し、システムが内向きに回転して自分自身を見るときに何が起こるのかという疑問を再び提起する。 そのような場合、いわゆる機械ビジョンはもはや世界(テレビジョンなど)を送信せず、ますます内部から世界を生成する。 歴史的ビデオ合成技術と現代の機械学習の芸術的利用の両方のケーススタディを通してメディア考古学を考察し、AI生成データに依拠する性質について再帰的学習が示すものについて検討する。 崩壊の潜在的な影響は、美的な視点を招きながら、アートメイキングとAIエコシステムの両方を理解するための重要な概念としてノイズと再帰を位置づけながら、トランスヒューマニストの理想に挑戦する。 規模やネットワークにまたがるエージェンシーの流通は、現在、特に大規模なデータセットでトレーニングされた基礎モデルにおいて、新しい人間の制作コンテンツに依存している。

関連論文リスト

• Human-AI Co-Evolution and Epistemic Collapse: A Dynamical Systems Perspective [2.1061291753905405]
  人間と言語モデルは、使用、生成、再訓練のフィードバックループによってリンクされた結合された動的システムを形成する。 我々は,AIへの依存度の増加が,低ダイバーシティ,準最適均衡への移行をもたらすことを示す。 結果は、AIシステムの軌道はモデル設計だけでなく、人間とAIの共進化のダイナミクスによって形成されていることを示唆している。
  論文  参考訳（メタデータ） (2026-05-07T14:31:17Z)
• Visual Generation in the New Era: An Evolution from Atomic Mapping to Agentic World Modeling [183.5907213030813]
  我々は、この分野は外観合成を超えて知的視覚生成へと進むべきであると論じている。 本稿では, 原子生成, 条件生成, インコンテキスト生成, エージェント生成, 世界モデル生成という5段階の分類法を紹介する。 我々は、フローマッチング、統合された理解・生成モデル、視覚表現の改善、後トレーニング、報酬モデリング、データキュレーション、サンプリングアクセラレーションなど、主要な技術ドライバを解析する。
  論文  参考訳（メタデータ） (2026-04-30T17:59:02Z)
• RealRAG: Retrieval-augmented Realistic Image Generation via Self-reflective Contrastive Learning [54.07026389388881]
  第1回リアルタイムオブジェクトベース検索拡張生成フレームワーク(RealRAG)を提案する。 RealRAGは、生成モデルの知識ギャップを克服するために、現実世界の画像の学習と検索によって、細粒で目に見えない新しいオブジェクトを生成する。 本フレームワークは, 生成モデルに対するきめ細かな視覚的知識を統合し, 歪み問題に対処し, オブジェクト生成における現実性を改善する。
  論文  参考訳（メタデータ） (2025-02-02T16:41:54Z)
• Generative Physical AI in Vision: A Survey [78.07014292304373]
  遺伝子人工知能(AI)は、コンピュータビジョンの分野を急速に進歩させ、機械が前例のない高度なビジュアルデータを作成し、解釈できるようにする。 この変換は、現実的な画像、ビデオ、および3D/4Dコンテンツを生成するための生成モデルの基礎の上に構築されている。 生成モデルが進化して物理リアリズムと動的シミュレーションを統合するにつれ、「世界シミュレータ」として機能する可能性が拡大する。
  論文  参考訳（メタデータ） (2025-01-19T03:19:47Z)
• Learning by Surprise: Surplexity for Mitigating Model Collapse in Generative AI [1.6545633988217645]
  合成コンテンツがWebに浸透するにつれて、生成的AIモデルは自身の出力で再訓練される可能性がある。 これによってモデルが崩壊し、世代間でパフォーマンスと多様性が徐々に失われます。 本稿では,モデルの次点確率分布から直接崩壊を特徴付ける新しい尺度を提案する。
  論文  参考訳（メタデータ） (2024-10-16T08:02:48Z)
• Nepotistically Trained Generative-AI Models Collapse [13.106063755117399]
  生成AIモデルでは, 少ない時間で再訓練すると, 歪みのある画像が生成される。 この歪みは、再トレーニングで使用されるテキストプロンプトを超えて広がり、その影響を受ければ、モデルは完全に回復するのに苦労する。
  論文  参考訳（メタデータ） (2023-11-20T21:43:32Z)
• AI-Generated Images as Data Source: The Dawn of Synthetic Era [61.879821573066216]
  生成AIは、現実世界の写真によく似た合成画像を作成する可能性を解き放った。 本稿では、これらのAI生成画像を新しいデータソースとして活用するという革新的な概念を探求する。 実際のデータとは対照的に、AI生成データには、未整合のアブリダンスやスケーラビリティなど、大きなメリットがある。
  論文  参考訳（メタデータ） (2023-10-03T06:55:19Z)
• Degraded Polygons Raise Fundamental Questions of Neural Network Perception [5.423100066629618]
  我々は、30年以上前に人間の視覚の認識・コンポーネント理論で導入された、劣化中の画像の復元作業を再考する。 周辺劣化した正多角形の大規模データセットを高速に生成するための自動形状復元テストを実装した。 この単純なタスクにおけるニューラルネットワークの振舞いは、人間の振舞いと矛盾する。
  論文  参考訳（メタデータ） (2023-06-08T06:02:39Z)
• State of the Art on Neural Rendering [141.22760314536438]
  我々は,古典的コンピュータグラフィックス技術と深層生成モデルを組み合わせることで,制御可能かつフォトリアリスティックな出力を得るアプローチに焦点をあてる。 本報告は,新しいビュー合成,セマンティック写真操作,顔と身体の再現,リライティング,自由視点ビデオ,バーチャルおよび拡張現実テレプレゼンスのためのフォトリアリスティックアバターの作成など,記述されたアルゴリズムの多くの重要なユースケースに焦点をあてる。
  論文  参考訳（メタデータ） (2020-04-08T04:36:31Z)

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。