論文の概要: When Does a Diffusion Model Decide What to Draw ?

• arxiv url: http://arxiv.org/abs/2610.05645v1
• Date: Mon, 05 Oct 2026 00:45:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 12:20:49.767816
• Title: When Does a Diffusion Model Decide What to Draw ?
• Title（参考訳）: 拡散モデルは何を描くべきかを決定するのか?
• Abstract要約: 拡散モデルは純粋なノイズから始まり、ステップごとに除去する。 道のどこかで、"何でも"になるのをやめる。 これがいつ発生し、トレーニングされたモデルが間違っているかを計測します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A diffusion model starts from pure noise and removes it step by step. Somewhere along the way it stops being able to become "anything" and becomes committed to, say, a horse rather than a truck. We measure when this happens, and what a trained model gets wrong about it, on CIFAR-10. The most direct measurement is to freeze a half-finished image, restart the generation from that point many times, and count how often each class comes out. We call this probability the committor. Measured this way, the model settles coarse questions (vehicle or animal?) at roughly twice the noise level of fine ones (which animal?). A much cheaper measurement, the noise level at which a classifier's opinion about two classes splits into two distinct groups, gets the order of these decisions right (rank correlation 0.73-0.88) but not their exact timing. We then compare pretrained models with their
• Abstract（参考訳）: 拡散モデルは純粋なノイズから始まり、ステップごとに除去する。 道のどこかで「あらゆるもの」になるのをやめ、例えばトラックではなく馬にコミットする。 CIFAR-10では、それがいつ発生し、どのようにトレーニングされたモデルが間違っているかを計測します。 最も直接的な測定は、半完成の画像を凍結し、その時点から何回も生成を再開し、各クラスの出現頻度を数えることである。 私たちはこの確率をコミッタと呼ぶ。 この方法で測定されたモデルでは、粗い質問(車か動物か)を、精巧な質問の約2倍のノイズレベル(どの動物か? より安価な測定では、2つのクラスについての分類者の意見が2つの異なるグループに分けられるノイズレベルが、これらの決定の順序を正しくする(ランク相関 0.73-0.88)が、正確なタイミングではない。 事前訓練されたモデルとそれらのモデルを比較する

関連論文リスト

• What Iterated Self-Feeding Probes of Language Models Measure, and a test that separates the construction from the model [0.0]
  メソッドのクラスは、独自の出力を与えて言語モデルを探索する。 我々は、その問題を鋭くするために選ばれた工事において、そのような調査がどう対処するかを尋ねる。 答えは、見た目が似ている読書において、一度に2つの異なるものを測定することだ。
  論文  参考訳（メタデータ） (2026-08-11T14:40:35Z)
• Scaling few-shot spoken word classification with generative meta-continual learning [1.8352113484137629]
  少数のクラスを考慮に入れたアプリケーションでは,ほとんど音声単語分類が開発されていない。 本稿では,音声単語分類器が,クラス毎に5つのショットしか与えられていない場合に,1000のクラスを連続的に区別する可能性について検討する。
  論文  参考訳（メタデータ） (2026-05-13T06:47:57Z)
• GUDA: Counterfactual Group-wise Training Data Attribution for Diffusion Models via Unlearning [83.56510119503267]
  モデルがトレーニングを欠席した場合、モデルが生成したサンプルの変化に対してどのように振る舞うか? 拡散モデルに対してGUDA(Group Unlearning-based Data Attribution)を提案する。
  論文  参考訳（メタデータ） (2026-01-30T07:10:59Z)
• Classifying Long-tailed and Label-noise Data via Disentangling and Unlearning [58.052712054684946]
  実世界のデータセットでは、長い尾の分布とノイズラベルの課題はしばしば共存する。 本稿では,長い尾とラベルノイズデータに対するディスタングルとアンラーニングという新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-03-14T13:58:27Z)
• Fine-Tuning is Fine, if Calibrated [33.42198023647517]
  事前訓練されたモデルの微調整は、以前に学習した他のクラスにおいて、モデルの精度を劇的に低下させることが示されている。 本論文は,「微調整モデルで損傷を受けたものは何か?」という根本的な疑問に答えることを目的として,この問題を体系的に識別する。 微調整されたモデルは、他のクラス間の関係を忘れたり、これらのクラスを認識するために機能を劣化させたりしない。
  論文  参考訳（メタデータ） (2024-09-24T16:35:16Z)
• Separate And Diffuse: Using a Pretrained Diffusion Model for Improving Source Separation [99.19786288094596]
  上界をランダムな生成モデルに一般化する方法を示す。 複数のベンチマークで2, 3, 5, 10, 20人の話者に最先端の結果を示す。
  論文  参考訳（メタデータ） (2023-01-25T18:21:51Z)
• Distance Based Image Classification: A solution to generative classification's conundrum? [70.43638559782597]
  差別的境界は、何によって意味論を定義するため、直観に反するものであると論じる。 本稿では,シェル理論の階層的生成過程によって意味的因子が許容される新しい生成モデルを提案する。 本モデルを用いて,意味的手がかりを保ちながら雑音の影響を抑える分類手法を開発した。
  論文  参考訳（メタデータ） (2022-10-04T03:35:13Z)
• Cold Diffusion: Inverting Arbitrary Image Transforms Without Noise [52.59444045853966]
  画像劣化の選択を変更すれば,生成モデル全体のファミリを構築することができることを示す。 完全な決定論的モデルの成功は、拡散モデルに対するコミュニティの理解に疑問を投げかける。
  論文  参考訳（メタデータ） (2022-08-19T15:18:39Z)

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。