論文の概要: Gaussian Core LoRA: Distribution-Aware Dynamic Adaptation for Broad Concept Erasure

• arxiv url: http://arxiv.org/abs/2609.01433v1
• Date: Tue, 01 Sep 2026 15:42:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.82582
• Title: Gaussian Core LoRA: Distribution-Aware Dynamic Adaptation for Broad Concept Erasure
• Title（参考訳）: Gaussian Core LoRA: 広義概念消去のための分散対応動的適応
• Abstract要約: 概念消去は、テキストから画像への拡散モデルにおいて、安全でない、プライバシーに敏感な、あるいは望ましくない世代を抑制することを目的としている。 Low-Rank Adaptation (LoRA)のような既存のアダプタベースのメソッドは、拡散バックボーンを凍結し、ターゲットセマンティクスからステアジェネレーションを生成するための軽量なパラメータ更新を学習する。 分散対応低ランク適応フレームワークであるGaussian Core LoRAを提案する。
• 参考スコア（独自算出の注目度）: 19.475842089085983
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Concept erasure aims to suppress unsafe, privacy-sensitive, or undesirable generations in text-to-image diffusion models while preserving benign semantics, visual quality, and deployment efficiency. Existing adapter-based methods, such as Low-Rank Adaptation (LoRA), typically freeze the diffusion backbone and learn lightweight parameter updates to steer generation away from target semantics. However, these methods usually assign a static semantic erasure direction to each target concept. This assumption is overly coarse for broad and complex target concepts, since a concept often contains multiple latent semantic prototypes involving different objects, scenes, or relations, and requires different local erasure directions. A single LoRA update averages these heterogeneous erasure demands, leading to under-erasure on difficult prototypes and over-editing of nearby benign semantics. To address this limitation, we propose Gaussian Core LoRA, a distribution-aware low-rank adaptation framework. It fits a Gaussian mixture model in the prompt feature space to estimate latent semantic prototypes within the target concept. During inference, each input prompt is projected into this feature space to compute its Gaussian posterior responsibilities, which condition the core generator to produce a prompt-specific, norm-bounded residual reconfiguration of the shared LoRA rank space. This enables prototype-adaptive erasure with a single lightweight adapter. Compared with the strongest baseline on each metric, Gaussian Core LoRA reduces average Attack Success Rate (ASR) by 7.95%, lowers COCO Fr'echet Inception Distance (FID) by 14.72%, and improves CLIP Score by 4.98%. Further experiments show robustness to adversarial prompts, scalability to multi-identity and multi-style erasure, and compatibility with SDXL and FLUX.
• Abstract（参考訳）: 概念消去は、良質なセマンティクス、視覚的品質、デプロイメント効率を維持しながら、テキストから画像への拡散モデルにおいて、安全でない、プライバシーに敏感な、あるいは望ましくない世代を抑制することを目的としている。 Low-Rank Adaptation (LoRA)のような既存のアダプタベースのメソッドは、拡散バックボーンを凍結し、ターゲットセマンティクスからステアジェネレーションを生成するための軽量なパラメータ更新を学習する。 しかしながら、これらの手法は通常、ターゲットの各概念に静的なセマンティック消去方向を割り当てる。 この仮定は、多種多様な対象、シーン、関係を含む複数の潜伏意味論のプロトタイプを含み、異なる局所的消去方向を必要とするため、広義で複雑なターゲット概念に対して過度に粗いものである。 単一のLoRAアップデートは、これらの異種消去要求を平均化し、難易度の高いプロトタイプと近隣の良性セマンティクスの過度な編集に繋がる。 この制限に対処するため,分布を考慮した低ランク適応フレームワークであるGaussian Core LoRAを提案する。 これは、ターゲット概念内の潜在意味論的プロトタイプを推定するために、プロンプト特徴空間におけるガウス混合モデルに適合する。 推論中、各入力プロンプトがこの特徴空間に投影され、ガウスの後方責任を計算し、コアジェネレータが共有されたLoRA階数空間のプロンプト固有のノルム有界残差再構成を生成することを条件とする。 これにより、単一軽量アダプタによるプロトタイプ適応消去が可能となる。 各基準で最強のベースラインと比較すると、ガウスコアロラは平均攻撃成功率(ASR)を7.95%下げ、COCO Fr'echet Inception Distance(FID)を14.72%下げ、CLIPスコアを4.98%改善している。 さらなる実験では、敵のプロンプトに対する堅牢性、マルチアイデンティティとマルチスタイルの消去へのスケーラビリティ、SDXLとFLUXとの互換性が示されている。

関連論文リスト

• LCPNet: Latent Consistent Proximal Unfolding Network for Infrared Small Target Detection [50.3892176822492]
  赤外線小目標検出(IRSTD)は、複雑な赤外背景から長距離小目標を特定することを目的としている。 深層学習法は、識別的画像-マスクマッピングを学習することでIRSTDを改善した。 深層展開法は、モデル駆動イテレーションをニューラルネットワークに埋め込むことによって、この問題に部分的に対処する。 これらの制約に対処するために,Latent Consistent Proximal Unfolding Network (LCPNet)を提案する。
  論文  参考訳（メタデータ） (2026-07-06T02:15:09Z)
• Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
  構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。 グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。 特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
  論文  参考訳（メタデータ） (2026-04-20T16:43:28Z)
• Variational Feature Compression for Model-Specific Representations [16.34000934736747]
  ディープラーニング推論は、ますます共有およびクラウドベースの設定にデプロイされている。 あるタスクに送信されたデータは、別のタスクのために許可されていないモデルによって再利用される。 指定された分類器の精度を保ちながら、クロスモデル転送を抑制する特徴抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-08T03:34:46Z)
• ReHARK: Refined Hybrid Adaptive RBF Kernels for Robust One-Shot Vision-Language Adaptation [3.8707695363745214]
  ReHARKは、グローバルな近位正規化を通じて、少数ショット適応を再解釈する、トレーニング不要のフレームワークである。 ワンショット適応のための新しい最先端技術がReHARKによって確立され、平均精度は65.83%である。
  論文  参考訳（メタデータ） (2026-03-12T04:59:09Z)
• Rethinking Multi-Condition DiTs: Eliminating Redundant Attention via Position-Alignment and Keyword-Scoping [61.459927600301654]
  マルチコンディション制御は従来のコンカデント・アンド・アットエンドの戦略によってボトルネックとなる。 分析の結果,これらの相互作用の多くは空間的にも意味的にも冗長であることがわかった。 本稿では,これらの冗長性を解消するための高効率なフレームワークであるPKAを提案する。
  論文  参考訳（メタデータ） (2026-02-06T16:39:10Z)
• DyME: Dynamic Multi-Concept Erasure in Diffusion Models with Bi-Level Orthogonal LoRA Adaptation [11.480659591569308]
  テキストから画像への拡散モデルは、著作権のあるスタイルを不注意に再現し、視覚的概念を保護し、法的および倫理的懸念を提起する。 概念消去は、微調整によってそのような概念を選択的に抑制することを目的とした安全保護として登場した。 我々は、軽量でコンセプト固有のLoRAアダプタを訓練し、推論に必要なものだけを動的に構成するオンデマンド消去フレームワークDyMEを提案する。
  論文  参考訳（メタデータ） (2025-09-25T15:16:17Z)
• UniMRSeg: Unified Modality-Relax Segmentation via Hierarchical Self-Supervised Compensation [104.59740403500132]
  マルチモーダルイメージセグメンテーションは、不完全/破損したモダリティの劣化による実際のデプロイメント課題に直面している。 階層型自己教師型補償(HSSC)による統一Modality-relaxセグメンテーションネットワーク(UniMRSeg)を提案する。 我々のアプローチは、入力レベル、特徴レベル、出力レベルをまたいだ完全なモダリティと不完全なモダリティの間の表現ギャップを階層的に橋渡しします。
  論文  参考訳（メタデータ） (2025-09-19T17:29:25Z)
• Pick of the Bunch: Detecting Infrared Small Targets Beyond Hit-Miss Trade-Offs via Selective Rank-Aware Attention [22.580497586948198]
  複雑な背景乱れの中で、赤外線小目標検出は、ディムターゲットを正確に位置決めする固有の課題に直面している。 本稿では,従来のヒットミストレードオフを超えて高精度なネットワークであるSeRankDetを提案する。
  論文  参考訳（メタデータ） (2024-08-07T12:10:32Z)
• Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
  モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。 従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。 これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2024-07-16T06:38:49Z)

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。