論文の概要: Stability and Diversity of Networked Self-Consuming Generative Ecosystems

• arxiv url: http://arxiv.org/abs/2610.09409v1
• Date: Wed, 07 Oct 2026 04:11:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.712705
• Title: Stability and Diversity of Networked Self-Consuming Generative Ecosystems
• Title（参考訳）: ネットワーク型自己消費型生成生態系の安定性と多様性
• Abstract要約: 本稿では,ネットワーク化された自己消費生成モデルを理解するための第一歩を踏み出す。 モデル間の合成データのフローを管理するエッジ重み付き有向重みグラフのノードとしてモデルを表現する理論的枠組みを導入する。 本研究では,各モデルが実際のデータにアクセスし,モデル間のデータ消費と相互作用グラフの構造から,システムの長期的安定性と多様性がどう形成されるかを検討する。
• 参考スコア（独自算出の注目度）: 13.054822893327058
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The widespread deployment of generative AI has made it increasingly difficult to distinguish synthetic content from real data. Consequently, synthetic data is inevitably incorporated into the training pipelines of future model generations, forming a self-consuming training loop. Prior work has studied the effects of such recursive self-consuming training, but analyses have largely been limited to isolated models, where a model consumes only its own synthetic data, or to simplified interactions between two models. This paper takes a first step toward understanding networked self-consuming generative models, in which multiple models consume synthetic data generated by one another through complex interaction pathways. We introduce a theoretical framework representing models as nodes in a directed, weighted graph, with edge weights governing the flow of synthetic data among models. Using this framework, we analyze the long-term behavior of networked models under retraining dynamics, establishing conditions for convergence and characterizing the resulting fixed points. We further investigate how the system's long-term stability and diversity are shaped by each model's access to real data, cross-model data consumption, and the structure of the interaction graph.
• Abstract（参考訳）: 生成AIの広範な展開により、合成コンテンツを実際のデータと区別することがますます困難になっている。 これにより、合成データは、将来のモデル世代におけるトレーニングパイプラインに必然的に組み込まれ、自己消費のトレーニングループを形成する。 これまでの研究では、このような再帰的な自己消費訓練の効果について研究されてきたが、分析は主に独立したモデルに限られており、そこではモデルが独自の合成データのみを消費するか、2つのモデル間の相互作用を単純化する。 本稿では,ネットワーク化された自己消費生成モデルを理解するための第一歩として,複雑な相互作用経路を通じて,複数のモデルが互いに生成した合成データを消費する手法について述べる。 モデル間の合成データのフローを管理するエッジ重み付き有向重みグラフのノードとしてモデルを表現する理論的枠組みを導入する。 このフレームワークを用いて、リトレーニングされた動的条件下でのネットワークモデルの長期的挙動を解析し、収束条件を確立し、その結果の固定点を特徴づける。 さらに、各モデルの実際のデータへのアクセス、モデル間のデータ消費、相互作用グラフの構造によって、システムの長期的安定性と多様性がどのように形成されるかを検討する。

関連論文リスト

• When Does Model Collapse Occur in Structured Interactive Learning? [9.385946237424612]
  対話型学習環境における一般的な相互作用パターンを用いた生成モデルの性能について検討する。 モデル崩壊の発生は相互作用グラフのトポロジーに大きく依存することを示す。
  論文  参考訳（メタデータ） (2026-05-19T17:41:09Z)
• Golden Ratio Weighting Prevents Model Collapse [7.512957145774808]
  我々は、実データと合成データを統合するための最適なトレーニング戦略を開発する。 合成データの混合比と重み付け方式が最終モデルの性能に及ぼす影響を特徴付ける。 場合によっては、実データに割り当てられた最適な重みは、黄金比の逆数に対応する。
  論文  参考訳（メタデータ） (2025-02-25T10:15:16Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• On the Stability of Iterative Retraining of Generative Models on their own Data [56.153542044045224]
  混合データセットに対する生成モデルの訓練が与える影響について検討する。 まず、初期生成モデルがデータ分布を十分に近似する条件下で反復学習の安定性を実証する。 我々は、正規化フローと最先端拡散モデルを繰り返し訓練することにより、合成画像と自然画像の両方に関する我々の理論を実証的に検証する。
  論文  参考訳（メタデータ） (2023-09-30T16:41:04Z)

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。