論文の概要: The Golden Path Hypothesis: Reusable Schedules in Diffusion Caching
- arxiv url: http://arxiv.org/abs/2609.39343v1
- Date: Wed, 30 Sep 2026 09:08:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:27.503269
- Title: The Golden Path Hypothesis: Reusable Schedules in Diffusion Caching
- Title（参考訳）: ゴールデンパス仮説:拡散キャッシングにおける再利用可能なスケジューリング
- Abstract要約: 固定された推論条件下では、プロンプト非依存のキャッシュスケジュールは、プロンプト間の最もプロンプト固有のスケジュールに匹敵する最終的な出力品質を達成することができる。
この遷移を説明するために、ノイズ発生軌跡とキャッシュエラーの蓄積を分析した。
少数の例だけで、結果として得られる黄金の経路はプロンプトとデータセットをまたいで移動し、望ましい品質目標に調整することができる。
- 参考スコア（独自算出の注目度）: 11.940403403857944
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Diffusion caching accelerates generation by replacing transformer computation with cached or predicted features at selected denoising steps. We introduce the Golden Path Hypothesis (GPH): under fixed inference conditions, prompt-independent cache schedules can achieve final-output quality comparable to the best prompt-specific schedules across prompts. We investigate the GPH across ten caching methods, four image and video models, and three cache ratios. Prompt-adaptive methods repeatedly select a small number of schedules, and reusing their most frequent schedules on new prompts closely matches the quality of prompt-specific choices. Exhaustive evaluation of 1.4 million schedules on four examples further identifies prompt-independent schedules that remain competitive on unseen prompts. To explain this transfer, we analyze denoising trajectories and the accumulation of caching errors. Latent-state trajectories exhibit similar structures across datasets and seeds, while an exact error decomposition shows that accumulated effects of earlier errors predict final latent-state error better than local approximation errors. This motivates searching for end-to-end schedules using final-output quality. With only a small set of examples, the resulting golden paths transfer across prompts and datasets, and can be tuned to the desired quality objective, including reconstruction fidelity or perceptual similarity.
- Abstract（参考訳）: 拡散キャッシングは、トランスフォーマー計算を、選択されたデノナイジングステップでキャッシュまたは予測された特徴に置き換えることで、生成を加速する。
我々は、Golden Path hypothesis (GPH)を導入し、固定された推論条件の下で、プロンプトに依存しないキャッシュスケジュールは、プロンプトをまたいだ最も優れたプロンプト固有のスケジュールに匹敵する最終的な出力品質を達成することができる。
10種類のキャッシュ手法,4つの画像およびビデオモデル,および3つのキャッシュ比のGPHについて検討した。
プロンプト適応法は、少数のスケジュールを繰り返し選択し、新しいプロンプトで最も頻繁なスケジュールを再利用することは、プロンプト固有の選択の品質と密接に一致している。
4つの例における140万のスケジュールの排他的評価により、目に見えないプロンプトで競合し続けるプロンプト非依存のスケジュールがさらに特定される。
この遷移を説明するために、デノベーション軌跡とキャッシングエラーの蓄積を分析した。
潜在状態軌道はデータセットとシードに類似した構造を示すが、正確な誤差分解は、初期誤差による累積効果が局所近似誤差よりも最終潜状態誤差を予測できることを示している。
これにより、最終出力品質を使用してエンドツーエンドのスケジュールを検索する動機付けとなる。
少数の例だけで、結果として得られる黄金の経路はプロンプトとデータセットをまたいで移動し、再構築の忠実さや知覚的類似性を含む望ましい品質目標に調整することができる。
関連論文リスト
- Learning from Emptiness: De-biasing Listwise Rerankers with Content-Agnostic Probability Calibration [76.08899010904652]
CapCalは、ランキング決定から位置バイアスを機械的に分離する、トレーニング不要のフレームワークである。
シングルパス効率を保ちながら、トレーニング不要の手法で優れた性能を発揮する。
論文 参考訳（メタデータ） (2026-04-11T10:47:22Z) - InvarDiff: Cross-Scale Invariance Caching for Accelerated Diffusion Models [2.6735992385049663]
InvarDiffは、時間ステップスケールと層スケールの相対時間的不変性を利用する、トレーニング不要な加速度法である。
実験によると、InvarDiffは標準品質の指標に最小限の影響を伴って、エンドツーエンドのスピードアップで2～3ドルを達成している。
論文 参考訳（メタデータ） (2025-11-29T02:34:23Z) - Gumbel Reranking: Differentiable End-to-End Reranker Optimization [61.16471123356738]
RAGシステムは関連する文書を識別するためにリランカーに依存している。
注釈付きクエリ-ドキュメントペアが不足しているため、これらのモデルの微調整は依然として難しい。
我々は,トレーニングと推論のギャップを最小限に抑えることを目的とした,リランカーのためのエンドツーエンドのトレーニングフレームワークであるGumbel Re rankを提案する。
論文 参考訳（メタデータ） (2025-02-16T13:23:39Z) - vCache: Verified Semantic Prompt Caching [95.16654660556975]
本稿では,ユーザ定義エラー率保証を備えた最初の検証済みセマンティックキャッシュであるvCacheを提案する。
オンライン学習アルゴリズムを使用して、キャッシュされたプロンプト毎に最適な閾値を推定し、追加のトレーニングなしで信頼性の高いキャッシュ応答を可能にする。
我々の実験によると、vCacheは特定のエラー境界を一貫して満たし、最先端の静的な閾値と微調整された埋め込みベースラインより優れています。
論文 参考訳（メタデータ） (2025-02-06T04:16:20Z) - Score-Optimal Diffusion Schedules [29.062842062257918]
高品質なサンプルを得るためには、適切な離散化スケジュールが不可欠である。
本稿では,最適な離散化スケジュールを適応的に選択するための新しいアルゴリズムを提案する。
学習したスケジュールは、これまで手動検索でのみ発見されていたパフォーマンススケジュールを復元する。
論文 参考訳（メタデータ） (2024-12-10T19:26:51Z) - Accelerating Deep Learning Classification with Error-controlled
Approximate-key Caching [72.50506500576746]
我々は、近似キーキャッシングと名付けた新しいキャッシングパラダイムを提案する。
近似キャッシュはDL推論の負荷を軽減し、システムのスループットを向上するが、近似誤差を導入する。
我々は古典的なLRUと理想的なキャッシュのキャッシュシステム性能を解析的にモデル化し、期待される性能のトレース駆動評価を行い、提案手法の利点を最先端の類似キャッシュと比較した。
論文 参考訳（メタデータ） (2021-12-13T13:49:11Z)
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。