論文の概要: Reviewing Model Collapse and Countermeasures

• arxiv url: http://arxiv.org/abs/2608.21366v1
• Date: Wed, 17 Jun 2026 20:52:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.313182
• Title: Reviewing Model Collapse and Countermeasures
• Title（参考訳）: モデル崩壊と対策の見直し
• Abstract要約: モデルとデータの間の自己消費サイクルでは、モデルが最終的に崩壊し、GenAIに対する信頼性の懸念が高まる。 近年、モデル崩壊(MC)の現象を研究し、それを緩和する潜在的な解決策を探求する研究が増えている。 本稿では,これらの研究を概観し,様々な応用シナリオにおけるMCの進展と,MCの緩和対策について概説する。
• 参考スコア（独自算出の注目度）: 0.2578242050187029
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driven by massive amounts of web-scale data, generative AI (GenAI) has achieved remarkable progress, enabling various applications in diverse sectors. The advances of GenAI have actuated practitioners to use AI-synthesized data for training next-generation AI models. Undeniably, using synthetic data has alleviated the increasing stringent demand for data supply. Unfortunately, it also introduces a new critical issue: in a self-consuming cycle between model and data, the model ultimately collapse, raising more trustworthiness concerns to GenAI. In recent years, increasingly more studies have investigated the phenomenon of model collapse (MC) and explored potential solutions to mitigate it. However, the review of the phenomenon of MC still remains blank. To fill this gap, this paper provides an up-to-date overview of these studies for consolidating and reviewing the progress of MC in different application scenarios and countermeasures for mitigating MC. We also highlight challenges and future research opportunities.
• Abstract（参考訳）: 大量のWebスケールデータによって駆動されるジェネレーティブAI(GenAI)は、さまざまな分野のさまざまなアプリケーションを可能にする、目覚ましい進歩を遂げている。 GenAIの進歩は、次世代AIモデルのトレーニングにAI合成データを使用することを実践者に促した。 必然的に、合成データを使用することで、データ供給に対する厳しい需要が増大する。 モデルとデータの自己消費サイクルでは、モデルが最終的に崩壊し、GenAIに対する信頼性の懸念が高まる。 近年、モデル崩壊(MC)の現象を研究し、それを緩和する潜在的な解決策を探求する研究が増えている。 しかし、MCの現象のレビューはまだ空白のままである。 このギャップを埋めるために, 本論文は, 様々なアプリケーションシナリオにおけるMCの進展を整理・レビューするための最新の研究の概要と, MCの緩和対策について述べる。 課題と今後の研究機会も強調する。

関連論文リスト

• Generative Models for Synthetic Data: Transforming Data Mining in the GenAI Era [49.46005489386284]
  このチュートリアルでは、合成データ生成の基礎と最新の進歩を紹介する。 Atendeesは、生成的合成データを活用してデータマイニングの研究と実践を強化する、実用的な洞察を得る。
  論文  参考訳（メタデータ） (2025-08-27T05:04:07Z)
• Shifting AI Efficiency From Model-Centric to Data-Centric Compression [67.45087283924732]
  AI研究の焦点は、モデル中心の圧縮からデータ中心の圧縮へとシフトしている、と私たちは主張する。 データ中心圧縮は、モデルトレーニングや推論中に処理されたデータのボリュームを直接圧縮することで、AI効率を向上させる。 我々の研究は、AIの効率性に関する新たな視点を提供し、既存の取り組みを合成し、コンテキスト長の増大によって引き起こされる課題に対処するためにイノベーションを触媒することを目的としています。
  論文  参考訳（メタデータ） (2025-05-25T13:51:17Z)
• 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)
• When AI Eats Itself: On the Caveats of AI Autophagy [18.641925577551557]
  AIオートファジー現象は、生成的AIシステムが認識せずに自分たちのアウトプットを消費する未来を示唆している。 本研究では、既存の文献を調査し、AIオートファジーの結果を掘り下げ、関連するリスクを分析し、その影響を軽減するための戦略を探求する。
  論文  参考訳（メタデータ） (2024-05-15T13:50:23Z)
• On the Challenges and Opportunities in Generative AI [155.030542942979]
  私たちは、現在の大規模な生成AIモデルは、ドメイン間で広く採用されるのを妨げるいくつかの根本的な欠点を示しています。 我々は、研究者に実りある研究の方向性を探るための洞察を提供することを目標とし、より堅牢でアクセスしやすい生成AIソリューションの開発を促進する。
  論文  参考訳（メタデータ） (2024-02-28T15:19:33Z)
• Comprehensive Exploration of Synthetic Data Generation: A Survey [4.485401662312072]
  この研究は、過去10年間で417のSynthetic Data Generationモデルを調査します。 その結果、ニューラルネットワークベースのアプローチが普及し、モデルのパフォーマンスと複雑性が向上したことが明らかになった。 コンピュータビジョンが支配的であり、GANが主要な生成モデルであり、拡散モデル、トランスフォーマー、RNNが競合する。
  論文  参考訳（メタデータ） (2024-01-04T20:23:51Z)

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。