論文の概要: What FID Hides: Detecting, Ranking, and Diagnosing Deviations in Generative Evaluation

• arxiv url: http://arxiv.org/abs/2608.24881v1
• Date: Tue, 25 Aug 2026 17:58:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:35.126626
• Title: What FID Hides: Detecting, Ranking, and Diagnosing Deviations in Generative Evaluation
• Title（参考訳）: FIDが秘めているもの: ジェネレーティブ・アセスメントにおける逸脱の検出、ランキング、診断
• Abstract要約: 生成モデルは通常、Fréchet Inception Distance(FID)とKernel Inception Distance(KID)によってランク付けされる。 ZIDは幅広い出発点を検出し、そのスコアは対応するスイープに沿って深刻度を増す。
• 参考スコア（独自算出の注目度）: 6.078726431806193
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative models are commonly ranked by Fréchet Inception Distance (FID) and Kernel Inception Distance (KID), yet FID's first-two-moment summary can miss distributional differences, and a reported scalar gap alone is not a calibrated test against sampling variation. FID's moment restriction has concrete consequences: on ImageNet, visually unrecognizable images optimized only to match the reference Inception mean and covariance obtain FID $24.7$ versus $58.6$ for held-out real images (lower is better). Moreover, FID and KID are scalar discrepancies that are unchanged when the two samples are exchanged and therefore do not encode the direction of a dispersion change: under-dispersion, as can occur in mode collapse, versus over-dispersion. We introduce \textbf{ZID} (\emph{Z-resolved Integrated Diagnostic}), which combines six standardized location- and dispersion-sensitive arms from a rank graph (RISE) and Gaussian kernels (GPK at two bandwidths). Rather than asking one scalar to serve incompatible roles, ZID reports three linked outputs: an index for ranking departure magnitude, a permutation $p$-value for testing distributional equality, and a signed dispersion readout for diagnosis. In controlled experiments, ZID detects a broad range of departures, and its score tracks increasing severity along the corresponding sweeps, including cases in which FID is flat or reversed. On DiT-XL/2 and SiT-XL/2 guidance sweeps, ZID detects departure from real data, and its signed readout labels the high-guidance diversity collapse as under-dispersion.
• Abstract（参考訳）: 生成モデルは通常、Fréchet Inception Distance (FID) と Kernel Inception Distance (KID) によってランク付けされるが、FIDの最初の2モーメントの要約は分布差を見逃しかねない。 ImageNetでは、視覚的に認識できない画像は参照のインセプション平均と共分散にのみ最適化され、FIDは24.7ドル対5,8.6ドルである(より低い方がよい)。 さらに、FIDとKIDは、2つのサンプルが交換されたときに変化しないスカラー不一致であり、したがって分散変化の方向を符号化しない。 本稿では,ランクグラフ (RISE) とガウスカーネル (GPK) の6つの標準化された位置・分散感応性アームを組み合わせた 'textbf{ZID} (\emph{Z-resolved Integrated Diagnostic}) を紹介する。 1つのスカラーが非互換な役割を果たすように要求する代わりに、ZIDは3つの関連したアウトプットを報告している。 制御された実験では、ZIDは広範囲の出発を検知し、そのスコアは、FIDが平坦または逆転するケースを含む、対応するスイープに沿って深刻度を増す。 DiT-XL/2とSiT-XL/2のガイダンスでは、ZIDは実際のデータからの離脱を検知し、その署名された読み出しラベルは、高感度の多様性の崩壊を低分散として示す。

関連論文リスト

• Statistical Symmetry Release for Equivariant Quantum Learning [12.042012916861829]
  ハード対称性の制約はモデルの複雑さを減少させるが、ラベル情報を消去することもできる。 統計的対称性の解放は、有限データと量子測度がそのような制約を緩和することを正当化する場合を決定する。
  論文  参考訳（メタデータ） (2026-09-10T12:38:27Z)
• Differentiable Interval Bottlenecks for Interpretable Anomaly Detection in Numerical Data [0.5213778368155993]
  DIFFINTは、遅延ボトルネックがソフトな軸方向のインターバルメンバシップのセットとして構成されるオートエンコーダである。 統計的にタイトされた7つの方法のリードクラスターの中で唯一の解釈可能な検出器である。
  論文  参考訳（メタデータ） (2026-09-03T14:05:27Z)
• OmniJudge or OmniBias? Diagnosing Multimodal Judges through Balanced, Decoupled Lenses [15.379006872674106]
  D3-Omniは、微粒なマルチモーダル理解を診断するためのバランスのとれた、分離されたベンチマークである。 次元にわたって情報を漏らすような出力を再生成するのではなく、正の正の種子を固定し、負を導出する。 結果として得られるD3設計はデュアルバランスであり、負のサンプル不足とディメンション毎のラベルの不均衡を軽減するのに役立つ。
  論文  参考訳（メタデータ） (2026-08-25T07:18:35Z)
• Change Detection in Probability Flow ODE: Online Testing in Diffusion Latent Spaces [0.0]
  金融市場のトレンド逆転を識別するといった一連のデータタスクは、時間順データの分散シフトを検出することなく、完全に対処することはできない。 条件密度が未知の時間で切り替わる逐次的変化点検出問題を考えるが、事前および後変化分布は閉形式を認めない。 凍結文脈エンコーダを用いた事前変更点データに基づいて訓練された条件拡散モデルは、確率フローODEによる決定論的決定を定義する。
  論文  参考訳（メタデータ） (2026-08-24T05:09:24Z)
• Separating Covariate Shift from Mechanism Change with Two Discriminators: CJSD, a Conditional Discrepancy with an Exact Covariate-Concept Decomposition [0.0]
  Conditional Jensen-Shannon Discrepancy (CJSD) 202組のデータセットの10測定バッテリーでは、CJSDとkNNプラグインの2つの条件情報推定器だけがフェールする。
  論文  参考訳（メタデータ） (2026-08-20T10:48:08Z)
• Label-Free Target-Domain Adaptation for Unconstrained Event-Image Feature Matching via Dual-Stage Distillation [30.789763956644958]
  クロスモーダルマッチング手法は、マッチングラベルまたは厳密に整列されたハードウェアに依存しているため、大きく制限されている。 本稿では,この問題に対処するための新しい2段階トレーニングパラダイムを提案する。 提案手法はMVSECとTUM-VIEの両方のポーズ推定タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-07-11T02:23:11Z)
• The FID Lottery: Quantifying Hidden Randomness in Generative-Model Evaluation [55.62875959637507]
  本研究では,FIDを2軸パネル上のランダムな変数として扱う。 クラス条件の ImageNet 256x256 でトレーニングした数百の SiT ネットワーク上で,その分散を直接測定する。
  論文  参考訳（メタデータ） (2026-06-18T17:49:32Z)
• Unsupervised Domain Shift Detection with Interpretable Subspace Attribution [48.553902624178995]
  ドメインシフトはデータセットの確率分布の微妙な違いである。 高次元特徴空間における局所密度異常を検出するアルゴリズムを用いて,これらのシフトを同定する。 ドメインシフトを小さな機能セットにトレースすることで、シフトを解釈できます。
  論文  参考訳（メタデータ） (2026-05-15T12:58:00Z)
• The Treasure Beneath Multiple Annotations: An Uncertainty-aware Edge Detector [70.43599299422813]
  既存のメソッドは、単純な投票プロセスを使用して複数のアノテーションを融合し、エッジ固有の曖昧さを無視し、アノテータのラベル付けバイアスを無視する。 多様なアノテーションの主観性とあいまいさを調査するために不確実性を利用した新しい不確実性認識エッジ検出器(UAED)を提案する。 UAEDは複数のエッジ検出ベンチマークで一貫したパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-03-21T13:14:36Z)
• SIOD: Single Instance Annotated Per Category Per Image for Object Detection [67.64774488115299]
  画像内の既存のカテゴリ毎に1つのインスタンスアノテーションのみを必要とする単一インスタンスアノテーションオブジェクト検出(SIOD)を提案する。 WSOD(Inter-task)やSSOD(Inter-image)の相違点からイメージ内の相違点に分解されたSIODは、ラベルなしインスタンスの残りをマイニングする上で、より信頼性が高く豊富な事前知識を提供する。 SIOD設定下では、類似性に基づく擬似ラベル生成モジュール(SPLG)と、Pixelレベルのグループコントラスト学習モジュール(PGCL)からなる、シンプルで効果的なフレームワークであるDual-Mining(DMiner)を提案する。
  論文  参考訳（メタデータ） (2022-03-29T08:49:51Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• Rank-Consistency Deep Hashing for Scalable Multi-Label Image Search [90.30623718137244]
  スケーラブルなマルチラベル画像検索のための新しいディープハッシュ法を提案する。 2つの空間の類似性順序を整列するために、新しい階数整合性目的を適用した。 強力な損失関数は、意味的類似性とハミング距離が一致しないサンプルをペナルティ化するように設計されている。
  論文  参考訳（メタデータ） (2021-02-02T13:46:58Z)

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。