論文の概要: MGPO: Manifold-Guided Diffusion Alignment for Task-Aware Dataset Distillation

• arxiv url: http://arxiv.org/abs/2610.05252v1
• Date: Sun, 04 Oct 2026 14:27:08 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 20:42:58.619591
• Title: MGPO: Manifold-Guided Diffusion Alignment for Task-Aware Dataset Distillation
• Title（参考訳）: MGPO:タスク対応データセット蒸留のためのマニフォールドガイド拡散アライメント
• Abstract要約: 拡散に基づくデータセット蒸留(DD)は、根本的な客観的なミスマッチに苦しむ。 MGPO(Manifold-Guided Policy Optimization)を提案する。 MGPOはクラスワイド最小スパンニングツリー(MST)で導かれる画素空間判別報酬と潜在空間幾何報酬によりデュアル空間アライメントを実現する
• 参考スコア（独自算出の注目度）: 6.974427449615245
• License:
• Abstract: Diffusion-based dataset distillation (DD) suffers from a fundamental objective mismatch: likelihood-driven diffusion models prioritize density approximation over the discriminative decision boundaries required for downstream tasks. Beyond semantic mismatch, relying solely on density also leads to geometric coverage loss, where generated samples collapse into a few high-density modes and fail to cover the manifold's structural diversity. We propose Manifold-Guided Policy Optimization (MGPO), which reformulates DD as a multi-objective reinforcement learning problem and achieves Dual-Space Alignment via a pixel-space discriminative reward and a latent-space geometric reward guided by a class-wise Minimum Spanning Tree (MST). The discriminative reward enforces class separability, while the MST-based geometric reward encourages generated latents to cover a sparse geometric skeleton of each class, jointly addressing both failure modes. We further provide an idealized analysis that motivates the MST-based reward, including a Hausdorff approximation bound and a subsampling bound independent of the dataset size. The reward-modular design extends to structured tasks such as object detection and segmentation by substituting the frozen task reward model. Extensive experiments show MGPO consistently outperforms existing methods, including a +8.0% mIoU gain on segmentation under low-budget settings.
• Abstract（参考訳）: 拡散に基づくデータセット蒸留(DD)は、基本的な客観的なミスマッチに苦しむ: 確率駆動拡散モデルは、下流タスクに必要な差別的決定境界よりも密度近似を優先する。 意味的ミスマッチの他に、密度のみに依存すると幾何学的範囲の損失が生じ、そこで生成されたサンプルはいくつかの高密度モードに崩壊し、多様体の構造的多様性をカバーできない。 我々は,多目的強化学習問題としてDDを再構成し,画素空間の識別的報酬とクラスワイドの最小スパンニングツリー(MST)で導かれる潜時空間の幾何的報酬によって2次元空間アライメントを実現するマニフォールド誘導型ポリシー最適化(MGPO)を提案する。 識別的報酬はクラス分離性を強制する一方、MSTベースの幾何学的報酬は、生成された潜伏者に対して、各クラスの粗い幾何学的骨格をカバーし、両方の障害モードに共同で対処することを奨励する。 さらに、データセットサイズに依存しないハウスドルフ近似境界とサブサンプリング境界を含む、MSTに基づく報酬を動機付ける理想的な分析を提供する。 報酬モジュール設計は、凍結されたタスク報酬モデルに代えて、オブジェクト検出やセグメント化などの構造化タスクに拡張される。 大規模な実験によりMGPOは、低予算条件下でのセグメンテーションにおける+8.0% mIoUゲインなど、既存の手法を一貫して上回っている。

関連論文リスト

• Prototype-Anchored Generalized Manifold Regression for Unknown-Domain Object Detection [58.25418970608328]
  単一ソースドメイン上でトレーニングされた検出器を複数の未確認領域に転送することを目的としたシングルドメイン一般化オブジェクト検出(Single-DGOD)について検討する。 既存の手法は主に、トレーニング分布を拡大するために、データ拡張やテキストプロンプトといったシミュレーション駆動の戦略に依存している。 本稿では, 未知領域の一般化を多様体回帰問題として定式化する, Visual-Text Dual Chain-of-Thought (MR-DCoT) を用いたマニフォールド回帰を提案する。
  論文  参考訳（メタデータ） (2026-07-08T09:27:15Z)
• Geometry-Aware Dataset Condensation for Diffusion Model Training [103.45641113998839]
  幾何学的分布アライメント問題として,実部分集合選択を再構成することを提案する。 本手法は,一方的な部分的最適輸送を組み込むことで,コンパクトな部分集合を全データ分布に選択的に整列させる。 拡散変形, 部分集合サイズ, 画像解像度, 訓練ラウンドにおける実験により, 本手法が優れた忠実度と分布範囲を実現することを示す。
  論文  参考訳（メタデータ） (2026-06-04T08:53:58Z)
• Provably Learning Diffusion Models under the Manifold Hypothesis: Collapse and Refine [60.669081685261965]
  拡散モデルは、顕著な品質で高次元データを生成する。 彼らのトレーニングがいかに効率的にスコア関数を学習するかは理論的には説明がつかないままである。 我々はこの原理をScore-induced Latent Diffusion (SiLD)として定式化する。
  論文  参考訳（メタデータ） (2026-05-16T16:51:10Z)
• High-Dimensional Noise to Low-Dimensional Manifolds: A Manifold-Space Diffusion Framework for Degraded Hyperspectral Image Classification [14.798241863302438]
  実世界のリモートセンシングのシナリオでは、多重分解因子の重ね合わせは固有の多様体構造を妨害する。 本稿では, 複素劣化条件下での高スペクトル分類のための多様体空間拡散フレームワーク(MSDiff)を提案する。
  論文  参考訳（メタデータ） (2026-04-29T04:20:42Z)
• Multi-dimensional Preference Alignment by Conditioning Reward Itself [32.33870784484853]
  Multi Reward Conditional DPOは、非絡み合いのBradley-Terry目標を導入することで、報酬競合を解決する。 安定1.5とSDXLの実験は、MCDPOがベンチマーク上で優れたパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-12-11T02:44:31Z)
• Latent Iterative Refinement Flow: A Geometric-Constrained Approach for Few-Shot Generation [5.062604189239418]
  少ショット生成に対する新しいアプローチであるLIRF(Latent Iterative Refinement Flow)を導入する。 LIRFは,新しいtextbfmanifold保存損失をトレーニングしたオートエンコーダを用いて,安定な潜伏空間を確立する。 このサイクルの中で、候補サンプルは幾何的テクスチャ補正演算子によって洗練される。
  論文  参考訳（メタデータ） (2025-09-24T08:57:21Z)
• Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection [53.137651284042434]
  異常検査は製造業において重要な役割を担っているが、異常サンプルの不足は既存の方法の有効性を制限している。 本稿では,GAA (Generate grained Anomaly) を提案する。 GAAは少数のサンプルのみを用いて現実的で多様で意味的に整合した異常を発生させる。
  論文  参考訳（メタデータ） (2025-07-13T12:56:59Z)
• Few-Shot Image Generation by Conditional Relaxing Diffusion Inversion [37.18537753482751]
  条件拡散緩和インバージョン(CRDI)は、合成画像生成における分布の多様性を高めるために設計されている。 CRDIはいくつかのサンプルに基づいた微調整を頼りにしていない。 ターゲットの画像インスタンスの再構築と、数ショットの学習による多様性の拡大に重点を置いている。
  論文  参考訳（メタデータ） (2024-07-09T21:58:26Z)
• Combating Mode Collapse in GANs via Manifold Entropy Estimation [70.06639443446545]
  Generative Adversarial Networks (GAN) は、様々なタスクやアプリケーションにおいて魅力的な結果を示している。 GANのモード崩壊問題に対処するための新しいトレーニングパイプラインを提案する。
  論文  参考訳（メタデータ） (2022-08-25T12:33:31Z)

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。