論文の概要: Flat-Consensus Diffusion for Robust Data Reshaping under Noisy Evaluator

• arxiv url: http://arxiv.org/abs/2609.32696v1
• Date: Sat, 26 Sep 2026 14:58:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 21:11:45.421977
• Title: Flat-Consensus Diffusion for Robust Data Reshaping under Noisy Evaluator
• Title（参考訳）: 雑音評価器によるロバストデータ再構成のためのフラットコンセンサス拡散
• Abstract要約: 粗いデータ形状は、モデルを一般化可能な構造ではなく、ノイズを学習させる。 マイクロマクロ分解による両方の障害に対処するフラットコンセンサス拡散フレームワークであるFCDiffを提案する。 以上の結果から, 頑健なデータ再構成には, 急激な単軌道オプティマではなく, 平坦でコンセンサスに支えられた領域の探索が必要であることが示唆された。
• 参考スコア（独自算出の注目度）: 15.968373607049145
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data shape determines how features are structured, how patterns are separated, and how distributions cover the underlying domain. Poor data shape can make models learn noise rather than generalizable structure. This paper studies robust feature-centric data reshaping: generating feature transformations that remain useful, stable, and reproducible under noisy evaluation and imperfect data conditions. We view reshaping operation sequence search as reward-guided diffusion generation, and robust reshaping as searching for regions in the latent reward landscape rather than isolated high-reward transformations. The key challenge is dual instability: noisy evaluators distort local reward guidance, while stochastic generative trajectories can converge to inconsistent solutions. We propose FCDiff, a flat-consensus diffusion framework that addresses both failures through a micro-macro decomposition. The micro layer replaces point-estimate reward guidance with Gaussian-smoothed, Monte Carlo averaged gradients, steering generation toward locally flat reward regions. The macro layer aggregates independently guided trajectories with a weighted Frechet-mean barycenter, selecting consensus-supported basins and filtering stochastic outliers. Across an 8-dataset headline cohort under heavy-tailed evaluator noise, FCDiff attains the best aggregate rank on lower-tail reliability and robustness against both search-based AutoFE and robustness-oriented generative baselines, with statistically significant accuracy gains over every generative baseline. Our results show that robust data reshaping requires searching for flat, consensus-supported regions rather than sharp single-trajectory optima.
• Abstract（参考訳）: データ形状は、機能がどのように構成され、どのようにパターンが分離され、分布が基礎となるドメインをカバーするかを決定する。 粗いデータ形状は、モデルを一般化可能な構造ではなく、ノイズを学習させる。 本稿では, 頑健な特徴中心データ再構成について検討する: ノイズ評価および不完全なデータ条件下で, 有用かつ安定かつ再現可能な特徴変換を生成する。 我々は、リフォーミング操作系列探索を報酬誘導拡散生成とみなし、高逆変換ではなく、潜在報酬ランドスケープ内の領域を探索するロバストなリフォーミングとみなす。 雑音評価器は局所的な報酬誘導を歪め、確率的生成軌道は矛盾しない解に収束する。 マイクロマクロ分解による両方の障害に対処するフラットコンセンサス拡散フレームワークであるFCDiffを提案する。 マイクロレイヤーは、ポイント推定報酬誘導をガウス平滑なモンテカルロ平均勾配に置き換え、局所的な平坦な報酬領域に向けてのステアリング生成を行う。 マクロ層は、重み付けされたFrechet-mean Barycenterで独立に誘導された軌道を集約し、コンセンサス支持盆地を選択し、確率的アウトリーをフィルタリングする。 重み付き評価器ノイズ下での8データセットのヘッドラインコホート全体において、FCDiffは検索ベースオートFEとロバストネス指向ジェネレーションベースラインの両方に対して、低いテール信頼性とロバスト性で最高の集計ランクを獲得し、全ての生成ベースラインに対して統計的に有意な精度が得られた。 以上の結果から, 頑健なデータ再構成には, 急激な単軌道オプティマではなく, 平坦でコンセンサスに支えられた領域の探索が必要であることが示唆された。

関連論文リスト

• PosteriorBench: From Point Estimates to Posterior Matching in Evaluating Generative Inverse Solvers [58.87583368961845]
  PosteriorBenchは、生成的逆解器の分布精度を評価するためのベンチマークである。 ダーシーフローの逆転、ポアソン源の回復、炭素捕獲と貯蔵、光輸送物質推論の4つの物理に基づく逆問題を評価する。
  論文  参考訳（メタデータ） (2026-09-17T17:54:12Z)
• Pairing Regularization for Mitigating Many-to-One Collapse in GANs [11.064613023526745]
  本稿では,多対一の崩壊を緩和するために,ジェネレータと共同最適化されたペアリング正規化器を提案する。 ペアリング正則化の効果は、トレーニングの主流となる障害モードに依存することを示す。
  論文  参考訳（メタデータ） (2026-04-22T02:57:30Z)
• TopoPrune: Robust Data Pruning via Unified Latent Space Topology [9.204659134755792]
  TopoPruneは、トポロジを活用して、安定した、本質的なデータ構造をキャプチャすることで、この問題を解決するフレームワークである。 TopoPruneは、(1)トポロジーを意識した多様体近似を利用して、データセットのグローバルな低次元埋め込みを確立する。 統合された二スケールトポロジカルアプローチは、特に大きなデータセットのプルーニングレートにおいて、高い精度と精度を保証することを実証する。
  論文  参考訳（メタデータ） (2026-02-02T19:53:59Z)
• Geometric Median Matching for Robust k-Subset Selection from Noisy Data [75.86423267723728]
  最適分解点1/2のロバストな推定器であるGeometric Medianを利用する新しいk-subset選択法を提案する。 提案手法は, k-subset を反復的に選択し,部分集合の平均が(潜在的に)ノイズデータセットの GM に近似し,任意の汚損の下でもロバスト性を確保する。
  論文  参考訳（メタデータ） (2025-04-01T09:22:05Z)
• Revisiting Generative Adversarial Networks for Binary Semantic Segmentation on Imbalanced Datasets [20.538287907723713]
  異常き裂領域検出は典型的なバイナリセマンティックセグメンテーションタスクであり、アルゴリズムによって舗装面画像上のひび割れを表す画素を自動的に検出することを目的としている。 既存のディープラーニングベースの手法は、特定の公共舗装のデータセットで優れた結果を得たが、不均衡なデータセットでは性能が劇的に低下する。 画素レベルの異常き裂領域検出タスクに対して,条件付き生成逆ネットワーク(cGAN)に基づくディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-03T19:24:40Z)
• SMaRt: Improving GANs with Score Matching Regularity [114.43433222721025]
  生成的敵ネットワーク(GAN)は通常、基礎となる多様体が複雑である非常に多様なデータから学ぶのに苦労する。 スコアマッチングは、生成したデータポイントを実データ多様体へ持続的にプッシュする能力のおかげで、この問題に対する有望な解決策であることがわかった。 提案手法は, 実世界のデータセットにおいて, 近似スコア関数として機能する事前学習拡散モデルを用いて, 最先端のGANの性能を継続的に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-11-30T03:05:14Z)
• Revisiting Rotation Averaging: Uncertainties and Robust Losses [51.64986160468128]
  現在の手法の主な問題は、推定エピポーラを通して入力データと弱い結合しか持たない最小コスト関数である。 本稿では,点対応から回転平均化への不確実性を直接伝播させることにより,基礎となる雑音分布をモデル化することを提案する。
  論文  参考訳（メタデータ） (2023-03-09T11:51:20Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)

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。