論文の概要: Tracing Generated Samples to Training-Data Clusters in Flow-Matching Models

• arxiv url: http://arxiv.org/abs/2608.30081v2
• Date: Wed, 02 Sep 2026 13:59:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 15:35:44.744424
• Title: Tracing Generated Samples to Training-Data Clusters in Flow-Matching Models
• Title（参考訳）: フローマッチングモデルにおける学習データクラスタへの生成サンプルの追跡
• Abstract要約: フローマッチングにおいて、トレーニングサンプルは生成軌跡に沿った速度場を通して生成された画像に影響を与える。 本研究は,ハイブリッド解析学習手法による流れマッチングモデルの帰属性について検討する。
• 参考スコア（独自算出の注目度）: 15.99834694609762
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding which training samples influence a generated image is an important problem in generative modeling. In flow matching, training samples influence the generated image through the velocity field along the generation trajectory. Removing samples to examine their counterfactual influence changes the velocity field, and the resulting effect on the final image depends on how the change propagates through the trajectory. Consequently, local changes in the velocity field do not necessarily predict the final counterfactual effect. This work investigates attribution in flow-matching models through a hybrid analytical--learned approach, and uses it to derive trajectory-based attribution scores at the cluster level. We evaluate these attribution scores using independently retrained leave-one-cluster-out (LOCO) models, and compare with several attribution baselines using two different flow-matching latent spaces. Our experiments show that semantic similarity constitutes a strong baseline, while the closed-form trajectory-based attribution is competitive in some metrics without requiring counterfactual retraining or model gradients. Our results show that attribution in flow matching depends not only on semantic similarity to training samples, but also on the latent representation, trajectory dynamics, and how influence is propagated to the final output.
• Abstract（参考訳）: 生成画像にどのトレーニングサンプルが影響を及ぼすかを理解することは、生成モデルにおいて重要な問題である。 フローマッチングにおいて、トレーニングサンプルは生成軌跡に沿った速度場を通して生成された画像に影響を与える。 反事実の影響を調べるためにサンプルを除去すると、速度場が変化し、最終的な画像への影響は、その変化が軌道を通してどのように伝播するかに依存する。 したがって、速度場の局所的な変化は必ずしも最終逆効果を予測しない。 本研究では,ハイブリッド解析学習手法を用いて,フローマッチングモデルの属性を解析し,クラスタレベルでのトラジェクトリに基づく属性スコアを導出する。 本研究では,これらの属性スコアを独立に再学習したLet-one-cluster-out(LOCO)モデルを用いて評価し,フローマッチング潜在空間を用いて複数の属性ベースラインと比較した。 実験により, 意味的類似性は強いベースラインを形成し, 閉形軌道に基づく属性は, 反実的再学習やモデル勾配を必要とせず, 競争力を持つことが示された。 この結果から,フローマッチングの帰属性は,トレーニングサンプルと意味的類似性だけでなく,潜在表現や軌道力学,最終的な出力にどのように影響するかにも依存することがわかった。

関連論文リスト

• The Principles of Diffusion Models [81.12042238390075]
  拡散モデリングは、データを徐々にノイズに分解するフォワードプロセスを定義することから始まる。 目標は、ノイズをデータに変換しながら、同じ中間体を回復するリバースプロセスを学ぶことだ。 エネルギーベースモデリングに根ざしたスコアベースビューは、進化するデータ分布の勾配を学習する。 フローベースのビューは、フローの正規化に関連するもので、サンプルをノイズからデータに移すスムーズなパスに従って生成する。
  論文  参考訳（メタデータ） (2025-10-24T02:29:02Z)
• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• DDB: Diffusion Driven Balancing to Address Spurious Correlations [24.940576844328408]
  経験的リスク最小化でトレーニングされたディープニューラルネットワークは、アウト・オブ・ディストリビューションのサンプルに一般化できないことが多い。 テキストと画像の拡散モデルを用いたトレーニングサンプルを生成するための拡散駆動バランス(DDB)手法を提案する。 実験の結果,本手法は既存の最先端手法よりもグループ精度がよいことがわかった。
  論文  参考訳（メタデータ） (2025-03-21T15:28:22Z)
• Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
  拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。 本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。 そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
  論文  参考訳（メタデータ） (2024-01-17T07:58:18Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Latent State Models of Training Dynamics [51.88132043461152]
  異なるランダムなシードでモデルをトレーニングし、トレーニングを通じてさまざまなメトリクスを計算します。 次に、結果のメトリクス列に隠れマルコフモデル(HMM)を適合させる。 我々はHMM表現を用いて相転移を研究し、収束を遅くする潜伏状態(detour state)を特定する。
  論文  参考訳（メタデータ） (2023-08-18T13:20:08Z)

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。