論文の概要: Evaluating the Diversity of AI-Generated Content with Diversity Profiles
- arxiv url: http://arxiv.org/abs/2608.17731v1
- Date: Tue, 18 Aug 2026 12:57:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.340164
- Title: Evaluating the Diversity of AI-Generated Content with Diversity Profiles
- Title（参考訳）: 多様性プロファイルを用いたAI生成コンテンツの多様性評価
- Abstract要約: 我々は、AI生成コンテンツの多様性評価は、本質的に1つの数に減らされた場合、不特定であると主張している。
パラメータ化された多様性ファミリーを,しきい値,尺度,指数,命令の範囲で評価する多様性プロファイルを提案する。
全体として、ダイバーシティプロファイルは、AI生成コンテンツの多様性を比較するための、より透明で解像度対応のフレームワークを提供する。
- 参考スコア（独自算出の注目度）: 37.17952750848635
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Diversity is a fundamental criterion for evaluating generative artificial intelligence (AI) systems, yet its measurement remains inherently ambiguous. Existing approaches typically represent generated samples in an embedding space, compute pairwise distances or similarities, and aggregate them into a single scalar score. Such scalar summaries are convenient, but they often encode different inductive biases and may yield contradictory rankings of the same sample sets. In this paper, we argue that diversity evaluation for AI-generated content is intrinsically under-specified when reduced to a single number. We first review representative diversity metrics, and then diagnose their limitations from two complementary perspectives: an axiomatic analysis showing that no representative scalar metric satisfies all desirable properties simultaneously, and an empirical analysis showing that high-dimensional representation spaces can induce concentrated, modality-dependent distance distributions. To address these issues, we propose diversity profiles: curve-valued, condition-aware summaries that evaluate a parameterized diversity family across a range of thresholds, scales, exponents, or orders under a specified representation and distance or kernel function. Diversity profiles reveal whether a comparison is robust across resolutions or instead depends on an arbitrary parameter choice. We instantiate profiles for several representative metric families and demonstrate their practical use in generative AI evaluation. Overall, diversity profiles provide a more transparent and resolution-aware framework for comparing the diversity of AI-generated content.
- Abstract（参考訳）: 多様性は、生成的人工知能(AI)システムを評価するための基本的な基準であるが、その測定は本質的に曖昧である。
既存のアプローチは通常、埋め込み空間で生成されたサンプルを表現し、ペアの距離や類似性を計算し、それらを単一のスカラースコアに集約する。
このようなスカラーサマリーは便利であるが、しばしば異なる帰納バイアスを符号化し、同じサンプル集合の矛盾したランクを与える。
本稿では,AI生成コンテンツに対する多様性評価は,1つの数に減らされた場合,本質的に過小評価されていることを論じる。
まず、代表的多様性指標を概観し、その限界を2つの相補的な視点から診断する: 代表的なスカラー計量がすべての望ましい性質を同時に満たさないことを示す公理解析と、高次元表現空間が集中的、モダリティに依存した距離分布を誘導できることを示す経験的解析である。
これらの問題に対処するために、曲線評価、条件対応の要約、パラメータ化された多様性ファミリーの評価、しきい値、スケール、指数、あるいは特定の表現や距離やカーネル関数の下での順序などを提案する。
多様性プロファイルは、比較が解像度で堅牢であるか、代わりに任意のパラメータの選択に依存するかを明らかにする。
いくつかの代表的なメトリックファミリーのプロファイルをインスタンス化し、生成AI評価におけるそれらの実用性を実証する。
全体として、ダイバーシティプロファイルは、AI生成コンテンツの多様性を比較するための、より透明で解像度対応のフレームワークを提供する。
関連論文リスト
- Learning Unified Distance Metric for Heterogeneous Attribute Data Clustering [60.05209293008078]
クラスタ分析のための異種属性再構成と表現(HARR)学習パラダイム
HarR はパラメータフリーで収束保証され、異なる要求されたクラスタ数 $k$ に対してより効果的に自己適応することができる。
論文 参考訳（メタデータ） (2026-03-03T08:13:16Z) - SPARKE: Scalable Prompt-Aware Diversity and Novelty Guidance in Diffusion Models via RKE Score [22.364171814102487]
拡散モデルは高忠実度画像合成と即時誘導生成モデルにおいて顕著な成功を収めている。
そこで本稿では,SPARKE(Scalble Prompt-Aware R'eny Kernel Entropy Diversity Guidance)法を提案する。
本研究では,複数のテキスト・画像拡散モデル上でSPARKE法を数値的に検証し,提案手法が有意な計算コストを伴わずに生成したデータの迅速な多様性を向上させることを示す。
論文 参考訳（メタデータ） (2025-06-11T20:53:45Z) - Evaluating the Diversity and Quality of LLM Generated Content [72.84945252821908]
品質閾値を満たす出力間の効果的な意味的多様性を測定するための枠組みを導入する。
嗜好調整モデルでは語彙的および構文的多様性が低下するが、SFTやベースモデルよりも効果的な意味的多様性が得られる。
これらの発見は、多種多様な高品質な出力を必要とするアプリケーションに重要な意味を持つ。
論文 参考訳（メタデータ） (2025-04-16T23:02:23Z) - Measuring Data Diversity for Instruction Tuning: A Systematic Analysis and A Reliable Metric [48.81957145701228]
サンプルレベルの「ノーベルティ」に基づく新しい多様性指標であるNovellSumを提案する。
シミュレーションデータと実世界のデータの両方の実験により、NovellSumは正確に多様性の変動を捉え、命令調整されたモデルの性能と0.97の相関を達成している。
論文 参考訳（メタデータ） (2025-02-24T14:20:22Z) - A Unifying Information-theoretic Perspective on Evaluating Generative Models [5.524685807042777]
最近のいくつかのアプローチでは、分類領域から借用された「精度」と「リコール」を利用して、出力の忠実度(リアリズム)と出力の多様性(実データ変動の表現)を個別に定量化している。
我々は、kNN密度推定のアプローチを用いて、kth-nearest-neighbors(kNN)ベースのメトリクスのクラスを情報理論レンズの下に統一する。
高精度クロスエントロピー(PCE)、リコールクロスエントロピー(RCE)、リコールエントロピー(RE)からなる3次元計量を提案する。
論文 参考訳（メタデータ） (2024-12-18T21:17:02Z) - Comparative Analysis of Indicators for Multiobjective Diversity Optimization [0.2144088660722956]
我々は,多目的の指標に基づく進化アルゴリズム(IBEA)の観点から,多様な多様性指標について論じる。
種の単調性など,これらの指標の理論的,計算的,実用的性質について検討する。
我々は、Riesz s-Energy Subset Selection ProblemのNP-hardnessの証明を含む新しい定理を提案する。
論文 参考訳（メタデータ） (2024-10-24T16:40:36Z) - Contributing Dimension Structure of Deep Feature for Coreset Selection [26.759457501199822]
Coreset selectionは、効率的な学習のための重要なトレーニングサンプルのサブセットを選択することを目指している。
サンプル選択は、パフォーマンス向上におけるサンプルの表現と、オーバーフィッティングを回避するためのサンプルの多様性の役割である。
既存の手法は典型的には類似度の測定値に基づいてデータの表現と多様性を計測する。
論文 参考訳（メタデータ） (2024-01-29T14:47:26Z) - Interpretable Diversity Analysis: Visualizing Feature Representations In
Low-Cost Ensembles [0.0]
本稿では,多様性を定性的に分析できるいくつかの解釈可能性手法を提案する。
2つの低コストアンサンブルアルゴリズムを用いて,子ネットワーク間の特徴表現の多様性を比較することによって,これらの手法を実証する。
論文 参考訳（メタデータ） (2023-02-12T00:32:03Z) - Deep Diversity-Enhanced Feature Representation of Hyperspectral Images [87.47202258194719]
トポロジを改良して3次元畳み込みを補正し,上行階の高次化を図る。
また、要素間の独立性を最大化するために特徴マップに作用する新しい多様性対応正規化(DA-Reg)項を提案する。
提案したRe$3$-ConvSetとDA-Regの優位性を実証するために,様々なHS画像処理および解析タスクに適用する。
論文 参考訳（メタデータ） (2023-01-15T16:19:18Z) - Expressivity of Parameterized and Data-driven Representations in Quality
Diversity Search [111.06379262544911]
2つの異なる検索空間で実施した品質多様性進化探索の出力多様性を比較する。
学習モデルは、未知の例への外挿や拡大よりも、既知のデータポイント間の補間が優れている。
論文 参考訳（メタデータ） (2021-05-10T10:27:43Z)
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。