論文の概要: JIVE: Jacobian-Informed Volume Expansion for Diverse Generative Sampling

• arxiv url: http://arxiv.org/abs/2609.33906v1
• Date: Sun, 27 Sep 2026 20:41:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 15:46:35.115361
• Title: JIVE: Jacobian-Informed Volume Expansion for Diverse Generative Sampling
• Title（参考訳）: JIVE: 逆生成サンプリングのためのヤコビアンインフォームドボリューム拡張
• Abstract要約: 生成モデルはしばしばモード崩壊と限られたサンプル多様性に悩まされる。 JIVEは、ジェネレータの終端ヤコビアンの先頭の特異部分空間に沿う速度摂動を注入することにより、生成の多様性を高める訓練自由フレームワークである。
• 参考スコア（独自算出の注目度）: 11.999925409004739
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models often suffer from mode collapse and limited sample diversity. While prior works attempt to mitigate this by jointly generating a batch of samples and repelling their trajectories, these heuristics do not explicitly maximize the diversity of the resulting endpoints. We introduce JIVE, a training-free framework that enhances generative diversity by injecting velocity perturbations aligned with the leading right singular subspace of the generator's endpoint Jacobian. By leveraging this local geometric structure, JIVE provably maximizes endpoint diversity while preserving sample quality. To maintain practical efficiency, we compute these perturbation directions via matrix-free iterations rooted in classical numerical linear algebra, requiring only a small computational overhead. Across different benchmarks, JIVE boosts both pixel and feature-level diversity in few-step and one-step generation.
• Abstract（参考訳）: 生成モデルはしばしばモード崩壊と限られたサンプル多様性に悩まされる。 先行研究では、サンプルを共同で生成し、それらの軌道を反発させることによってこれを緩和しようとするが、これらのヒューリスティックは結果の終点の多様性を明示的に最大化しない。 JIVEは、ジェネレータの終端ヤコビアンの先頭の特異部分空間に沿う速度摂動を注入することにより、生成の多様性を高める訓練自由フレームワークである。 この局所幾何学的構造を利用することで、JIVEはサンプルの品質を維持しながらエンドポイントの多様性を確実に最大化する。 実効性を維持するために,古典的数値線形代数に根ざした行列のない反復により,これらの摂動方向を計算し,計算オーバーヘッドを小さく抑える。 異なるベンチマークで、JIVEは数ステップと1ステップの生成でピクセルと機能レベルの多様性を向上する。

関連論文リスト

• Unconditional flow-based time series generation with equivariance-regularised latent spaces [0.0]
  フローベースモデルは時系列生成に成功している。 しかし、時系列生成モデルに望ましい同値性を持つ潜在表現を設計する方法は、まだ未定である。 本稿では,事前学習したオートエンコーダの簡単な正規化により,等価性を明示的に促進する潜在フローマッチングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-30T11:19:33Z)
• Exploring Diverse Generation Paths via Inference-time Stiefel Activation Steering [15.160204778653302]
  言語モデルは、しばしば、高確率出力の狭いセットにデフォルトされ、生成パスは均質でモード崩壊しがちである。 本研究では,STARSを導入した。STARSは,アクティベーションステアリングを探索エンジンに変換する,トレーニング不要な推論時間介入手法である。 テストケース生成と科学的発見ベンチマークでは、STARSは標準サンプリング法より一貫して優れている。
  論文  参考訳（メタデータ） (2026-01-29T17:17:04Z)
• A New Formulation of Lipschitz Constrained With Functional Gradient Learning for GANs [52.55025869932486]
  本稿では,大規模データセット上でGAN(Generative Adversarial Networks)のトレーニングを行うための有望な代替手法を提案する。 本稿では,GANの学習を安定させるために,Lipschitz-Constrained Functional Gradient GANs Learning (Li-CFG)法を提案する。 判別器勾配のノルムを増大させることにより、潜在ベクトルの近傍サイズを小さくすることができることを示す。
  論文  参考訳（メタデータ） (2025-01-20T02:48:07Z)
• StyleGenes: Discrete and Efficient Latent Distributions for GANs [149.0290830305808]
  GAN(Generative Adversarial Networks)のための離散潜在分布を提案する。 連続的な先行点から潜在ベクトルを描く代わりに、学習可能な潜在点の有限集合からサンプリングする。 私たちは生物の情報のエンコーディングからインスピレーションを得ます。
  論文  参考訳（メタデータ） (2023-04-30T23:28:46Z)
• Recurrence Boosts Diversity! Revisiting Recurrent Latent Variable in Transformer-Based Variational AutoEncoder for Diverse Text Generation [85.5379146125199]
  変分自動エンコーダ(VAE)はテキスト生成において広く採用されている。 本稿ではトランスフォーマーをベースとしたリカレントVAE構造であるTRACEを提案する。
  論文  参考訳（メタデータ） (2022-10-22T10:25:35Z)
• Selectively increasing the diversity of GAN-generated samples [8.980453507536017]
  本稿では,GAN生成サンプルの多様性を選択的に向上する手法を提案する。 本研究では,CERN における ALICE 実験のZero Degree Calorimeter から得られたデータをシミュレーションする実生活シナリオとともに,本手法の優位性を示す。
  論文  参考訳（メタデータ） (2022-07-04T16:27:06Z)
• Multi-level Latent Space Structuring for Generative Control [53.240701050423155]
  本稿では,StyleGAN生成アーキテクチャを活用して新たなトランケーション手法を提案する。 我々は、ガウスの学習可能な混合を用いて、StyleGANの拡張中間潜在空間であるW-空間を再生成することを学ぶ。 結果として生じる切り離しスキームは、元の未熟なサンプルをより忠実にし、品質と多様性のトレードオフをより良くする。
  論文  参考訳（メタデータ） (2022-02-11T21:26:17Z)
• GANs with Variational Entropy Regularizers: Applications in Mitigating the Mode-Collapse Issue [95.23775347605923]
  深層学習の成功に基づいて、GAN(Generative Adversarial Networks)は、観測されたサンプルから確率分布を学習するための現代的なアプローチを提供する。 GANはしばしば、ジェネレータが入力分布の既存のすべてのモードをキャプチャできないモード崩壊問題に悩まされる。 情報理論のアプローチを採り、生成したサンプルのエントロピーの変動的下限を最大化し、それらの多様性を増大させる。
  論文  参考訳（メタデータ） (2020-09-24T19:34:37Z)
• Gaussianization Flows [113.79542218282282]
  そこで本研究では,サンプル生成における効率のよい繰り返しと効率のよい逆変換を両立できる新しい型正規化フローモデルを提案する。 この保証された表現性のため、サンプル生成の効率を損なうことなく、マルチモーダルなターゲット分布をキャプチャできる。
  論文  参考訳（メタデータ） (2020-03-04T08:15:06Z)

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。