論文の概要: CachedSearch: Training-Free Cached Exploration for Test-Time Search in Video Diffusion
- arxiv url: http://arxiv.org/abs/2607.23159v2
- Date: Thu, 30 Jul 2026 17:05:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 15:03:14.055774
- Title: CachedSearch: Training-Free Cached Exploration for Test-Time Search in Video Diffusion
- Title（参考訳）: CachedSearch: ビデオ拡散におけるテスト時間探索のためのトレーニング不要のキャッシュ探索
- Abstract要約: テストタイム検索では、小さなビデオ拡散モデルが大きなモデルに匹敵するが、さらに2～10倍のコストがかかる。
トレーニング不要のキャッシュは、各ロールアウトをほぼロバストな品質で2～3倍高速にする。
本稿では,ビデオテストタイム検索において,キャッシングが候補ランキングに悪影響を及ぼすかどうかについて検討する。
- 参考スコア（独自算出の注目度）: 35.65322085280114
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Test-time search lets small video diffusion models rival larger ones, but costs 2-10x more. All candidates are fully denoised, although most are discarded. Training-free caching makes each rollout 2-3x faster at near-lossless quality. Composition is safe only if lossy caching preserves verifier rankings. We present the first study of whether caching corrupts candidate ranking in video test-time search. On Wan2.1-T2V-1.3B with an adaptive caching wrapper (~2x per-candidate speedup), ImageReward scores seed-matched cached and full rollouts. Median per-prompt Spearman rank correlation is 0.905, with 72% top-1 agreement on the VBench suite. VBench-2.0 replicates this result on a harder suite. Recomputing the cached winner at full compute retains 90-94% of the full-search gain. Errors cluster among near-tied candidates, making corruption self-limiting. This finding leads to CachedSearch. It explores every candidate with aggressive caching, then re-generates only the winner at full compute. At N=8, it captures 94.7% of best-of-N's gain at 63% of the cost. Capture rises with width. At matched budget, it searches twice as wide for 38% more gain. The result holds from 1.3B-14B across six models and four families: Wan, LTX, CogVideoX, and Hunyuan. Wan2.1-14B matches the 1.3B model's fidelity. Mid-trajectory pruning multiplies the exploration saving to 3.11x at 88.6% capture. Ports to other model families require recalibrating a single parameter, showing that fidelity tracks architecture rather than parameter count. CachedSearch is training-free, verifier-agnostic, and orthogonal to the search algorithm, making it a plug-in multiplier for test-time scaling.
- Abstract（参考訳）: テストタイム検索では、小さなビデオ拡散モデルが大きなモデルに匹敵するが、さらに2～10倍のコストがかかる。
候補者は全員無名だが、多くは棄権されている。
トレーニング不要のキャッシュは、各ロールアウトをほぼロバストな品質で2～3倍高速にする。
構成は、欠落したキャッシュが検証者ランキングを保存する場合にのみ安全である。
本稿では,ビデオテストタイム検索において,キャッシングが候補ランキングに悪影響を及ぼすかどうかについて検討する。
Wan2.1-T2V-1.3Bでは、適応型キャッシュラッパー(候補あたりのスピードアップの約2倍)で、ImageRewardはシードマッチングキャッシュとフルロールアウトをスコア付けする。
プロンプト当たりのスピアマンのランク相関は0.905であり、VBenchスイート上では72%のTop-1が一致している。
VBench-2.0は、この結果をより難しいスイートで再現する。
キャッシュされた勝者をフルコンピュートで再計算すると、全検索の90-94%のゲインが保持される。
エラーは最寄りの候補者の間で集結し、腐敗を自認する。
この発見はCachedSearchに繋がる。
攻撃的なキャッシュを持つすべての候補を探索し、完全な計算で勝者のみを再生成する。
N=8では、ベスト・オブ・Nの94.7%の利益を63%のコストで獲得する。
キャプションは幅で上昇する。
一致した予算では、さらに38%の利益を得るために2倍の幅を検索する。
結果は、Wan、LTX、CagVideoX、Hunyuanの6つのモデルと4つのファミリーで1.3B-14Bから成り立っている。
Wan2.1-14Bは1.3Bモデルの忠実度と一致する。
中軌道の刈り取りは、88.6%で3.11倍の節約を達成している。
他のモデルファミリへのポートでは、単一のパラメータを再検討する必要がある。
CachedSearchは、トレーニング不要で、検証不要で、検索アルゴリズムに直交しているため、テスト時間スケーリング用のプラグイン乗算器である。
関連論文リスト
- EpaCache: Error-Propagation-Aware Caching for Accelerating Diffusion-Based Visual Generation [30.438361624564553]
キャッシングに基づく手法は、隣接する時間ステップで中間計算を再利用することで、推論遅延を低減する。
EpaCacheはトレーニング不要のキャッシュポリシーで、ダウンストリームの影響の少ないタイムステップで再利用予算を適応的に割り当てる。
EpaCacheは、既存のキャッシュメソッドに対するレイテンシーのトレードオフを一貫して改善する。
論文 参考訳（メタデータ） (2026-08-29T13:38:11Z) - Governing the KV Cache: Preventing Timing Side-Channel Leakage in Multi-Tenant LLM Inference [0.0]
キーバリュー(KV)キャッシュは、現代の大言語モデル(LLM)推論における主要なスループット最適化である。
3つの攻撃がそれを悪用し、保護されていないvLLMとSGに対する攻撃の成功率が最大100%に達する。
我々は3つの攻撃ファミリーのプレフィックスキャッシュパスに対処するガバナンス層であるKVGovを紹介する。
論文 参考訳（メタデータ） (2026-08-10T07:47:57Z) - Budget-Constrained Step-Level Diffusion Caching [9.784100090561045]
既存の方法は、最終的な出力品質を直接最適化することなく、閾値ベースのステップごとのキャッシュ決定を行う。
計算予算を事前に修正し,最終出力を最もよく保存するキャッシュポリシを検索するBudCacheを提案する。
BudCacheは同じ推論予算の下で決定論的キャッシュベースラインよりも優れた生成品質を実現する。
論文 参考訳（メタデータ） (2026-06-11T15:45:05Z) - ReCache: Learning Budget-Aware Caching Schedules for Diffusion Models via REINFORCE [40.4732814295941]
ReCacheは、生成品質を最大化する再計算スケジュールを学ぶ。
政策勾配を通し、完全な拡散推論を通じてバックペーストを横取りする。
スケジュールベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2026-06-04T11:59:56Z) - IndexCache: Accelerating Sparse Attention via Cross-Layer Index Reuse [68.18308357205586]
Longcontext Agenticは、大規模言語モデルの定義ユースケースとして登場した。
Sparseは、この課題を効果的に解決し、DeepSeek Sparse Attention(DSA)は、代表的なプロダクショングレードソリューションである。
我々は、レイヤを独自のインデクサを実行するフルレイヤの小さなセットと、最も近いフルレイヤのトップkインデックスを単純に再利用する共有レイヤの大多数に分割することで、層間の冗長性を利用するIndexCacheを紹介します。
論文 参考訳（メタデータ） (2026-03-12T17:27:21Z) - PreciseCache: Precise Feature Caching for Efficient and High-fidelity Video Generation [35.47114707080758]
高い計算コストと遅い推論は、ビデオ生成モデルの実践的応用を妨げる。
我々は,真に冗長な計算を正確に検出し,スキップするプラグイン・アンド・プレイ・フレームワークである textbfPreciseCache を提案する。
論文 参考訳（メタデータ） (2026-03-01T08:08:49Z) - SenCache: Accelerating Diffusion Model Inference via Sensitivity-Aware Caching [75.02865981328509]
キャッシュは、以前計算されたモデル出力をタイムステップで再利用することで計算を減らす。
本稿では,動的キャッシュポリシーであるSensitivity-Aware Caching(SenCache)を提案する。
SenCacheは、同様の計算予算の下で、既存のキャッシュメソッドよりも視覚的品質が向上する。
論文 参考訳（メタデータ） (2026-02-27T17:36:09Z) - MagCache: Fast Video Generation with Magnitude-Aware Cache [91.2771453279713]
我々は、様々なモデルとプロンプトで観察される統一等級法則という、新しく頑健な発見を導入する。
我々は、エラーモデリング機構と適応キャッシュ戦略を用いて、重要でないタイムステップを適応的にスキップするMagnitude-aware Cache(MagCache)を導入する。
実験の結果、MagCacheはOpen-Sora、CogVideoX、Wan 2.1、HunyuanVideoで2.10x-2.68倍のスピードアップを達成した。
論文 参考訳（メタデータ） (2025-06-10T17:59:02Z) - ETS: Efficient Tree Search for Inference-Time Scaling [61.553681244572914]
テストタイムの計算スケーリングにおいて有望なアプローチのひとつは、プロセス報酬モデルに対する検索である。
木探索過程における軌跡の多様性は、多様性の増大がさらなる探索を促進するため、探索の精度に影響を与える。
本稿では,冗長なトラジェクトリを抽出し,必要な多様なトラジェクトリを維持しながら,KVの共有を促進する効率的なツリー探索(ETS)を提案する。
論文 参考訳（メタデータ） (2025-02-19T09:30:38Z) - vCache: Verified Semantic Prompt Caching [95.16654660556975]
本稿では,ユーザ定義エラー率保証を備えた最初の検証済みセマンティックキャッシュであるvCacheを提案する。
オンライン学習アルゴリズムを使用して、キャッシュされたプロンプト毎に最適な閾値を推定し、追加のトレーニングなしで信頼性の高いキャッシュ応答を可能にする。
我々の実験によると、vCacheは特定のエラー境界を一貫して満たし、最先端の静的な閾値と微調整された埋め込みベースラインより優れています。
論文 参考訳（メタデータ） (2025-02-06T04:16:20Z)
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。