Fugu-MT 論文翻訳(概要): Hard, Yet Reducible: Controlled Forward Transfer for Synthetic Degradation Curation

論文の概要: Hard, Yet Reducible: Controlled Forward Transfer for Synthetic Degradation Curation

arxiv url: http://arxiv.org/abs/2610.09849v1
Date: Wed, 07 Oct 2026 11:07:36 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-08 21:58:22.870734
Title: Hard, Yet Reducible: Controlled Forward Transfer for Synthetic Degradation Curation
Title（参考訳）: 硬質, 還元性: 合成劣化曲線の前方移動制御
Abstract要約: クリーンで劣化した双子は、コンテンツとラベルを共有し、短いトレーニングが劣化に起因する過度なエラーをどれだけ減らすかに基づくスコアを示唆する。劣化タイプと重大度によって定義される領域に対して,textbf 制御による還元性劣化ギャップ (cRDG) を提案する。 cRDGは、劣化のトレーニングが利用可能な予算の下で高い制御利得をもたらす、修正可能な重大帯域を明らかにする。
参考スコア（独自算出の注目度）: 57.17927491453242
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Selecting synthetic degradations for dense prediction requires an estimate of their training utility, the generalization gain they bring under a finite training budget. Clean and degraded twins share content and labels, suggesting a score based on how much short training reduces the excess error caused by degradation. However, this gap can also shrink when clean performance deteriorates. Measuring the improvement on degraded images alone avoids that confound, but it still credits progress that the same amount of clean training would have produced. We propose the \textbf{controlled Reducible Degradation Gap} (cRDG) for regions defined by degradation type and severity. From a common checkpoint, cRDG runs two budget-matched probes that differ only in one augmentation slot, which holds either a synthetic degradation or a clean augmentation. The score is the gain on held-out degraded images relative to the clean-control probe. Clean harm is a separate feasibility constraint. cRDG reveals a correctable severity band in which training on the degradation yields high controlled gain under the available budget, and the band moves with the predictor, the starting checkpoint, and the training budget. \textbf{Curation of Reducible Bands} (\method) uses cRDG to select synthetic data without changing the predictor. On semantic segmentation and salient object detection, \method{} improves representative predictors under matched synthetic-data budgets and training schedules, extends to existing data-generation pipelines, and preserves clean performance. Code and supporting materials will be publicly released.
Abstract（参考訳）: 密集予測のために合成劣化を選択するには、それらのトレーニングユーティリティ、それらがもたらす一般化利得を有限のトレーニング予算で見積もる必要がある。清潔で劣化した双子は、コンテンツとラベルを共有し、短いトレーニングが劣化に起因する過度なエラーをどれだけ減らすかに基づくスコアを示唆する。しかし、クリーンな性能が劣化すると、このギャップも縮小する。劣化した画像の改善を測定するだけで、その欠点は避けられるが、それでも同じ量のクリーントレーニングが生み出されたと信じている。本稿では, 劣化タイプと重大度で定義される領域に対して, <textbf{ controlled Reducible Degradation Gap} (cRDG) を提案する。一般的なチェックポイントから、cRDGは1つの拡張スロットでのみ異なる2つの予算整合プローブを実行する。スコアは、クリーンコントロールプローブに対するホールドアウト劣化画像のゲインである。清潔な害は別の実現可能性の制約である。 cRDGは、劣化のトレーニングが利用可能な予算の下で高い制御利得をもたらす補正可能な重大帯域を明らかにし、バンドは予測器、開始チェックポイント、訓練予算とともに移動する。 \textbf{Curation of Reducible Bands} (\method) は、予測器を変更することなく、cRDGを使用して合成データを選択する。セマンティックセグメンテーションと健全なオブジェクト検出に関して、 \method{}は、マッチした合成データ予算とトレーニングスケジュール下で代表予測器を改善し、既存のデータ生成パイプラインに拡張し、クリーンなパフォーマンスを維持する。コードとサポート資料は公開されます。

関連論文リスト

TRACE: Trajectory-robust Admission with Evidence Ordering for Efficient GUI Agents [54.88208747581851]
トレーニング不要のビジュアルトークンプルーニングは、このコストを削減することができるが、キャッシュ再利用には基本的な制約が伴う。我々は,emphtextbfTrajectory-textbfrobust textbfAdmission と textbfCoverage-aware textbfEvidence ordering のためのトレーニング不要フレームワーク textbfmethod を提案する。
論文参考訳（メタデータ） (2026-09-09T15:12:48Z)
Backbone-Agnostic Stochastic Perturbation Learning for End-to-End Real-World Image Dehazing [2.3013099757243056]
Backbone-Agnostic Perturbation Learningを提案する。 BSPLは連続的に複数のバックボーン代表を改良し、余分な追加の推論オーバーヘッドのみを発生させる。
論文参考訳（メタデータ） (2026-07-13T14:44:12Z)
Robust Trajectory Distillation: Hybrid Reweighting Meets Teacher-Inspired Targets [51.490743278360064]
本稿では,ノイズを共同で抑制し,伝達可能な知識を残さずに保持するトラジェクトリベースのDDフレームワークを提案する。 SGR(Selective Guidance Reweighting)とTIAT(Teacher-Inspireed Auxiliary Targets)の2つの補完的なコンポーネントで構成されている。
論文参考訳（メタデータ） (2026-06-29T06:24:53Z)
DCP-Prune: Ultra-Low Token Pruning with Distribution Consistency Preservation [55.38884985761757]
最近のビジョントークンプルーニング法は、中程度のトークン予算ではモデル性能を効果的に維持するが、超低トークン予算では不安定になる。 Anchor-Context Graph Recovery (ACGR) と Text-Aware Token Cluster Selection (TATCS) からなる2段階のプルーニングフレームワークを提案する。超低トークン予算下で,本手法がより優れた,より安定した性能を実現することを示す実験を行った。
論文参考訳（メタデータ） (2026-06-15T12:24:07Z)
Where to Refine, When to Stop: Rethinking Redundancy via Latent Discrepancy for Efficient Visual Autoregressive Generation [50.139984798361375]
遅延不一致による冗長性を除去する学習自由フレームワークを提案する。 LD-Pruningは、Infinity-8Bの最大2.35倍のスピードアップを実現し、高い生成品質を維持しながら推論を大幅に削減する。
論文参考訳（メタデータ） (2026-05-29T19:34:39Z)
Degradation-Consistent Paired Training for Robust AI-Generated Image Detection [0.0]
本稿では,データ強化の副産物として劣化堅牢性を扱うための劣化持続ペアドトレーニング(DCPT)を提案する。実験の結果、DCPTはペアトレーニングなしで同じベースラインと比較して、劣化条件の平均精度を9.1ポイント向上することがわかった。
論文参考訳（メタデータ） (2026-04-11T08:52:28Z)
A Unified Noise-Curvature View of Loss of Trainability [8.602734307457387]
継続的学習におけるトレーニング容易性(LoT)の喪失は、タスクが進化するにつれて、ステップが改善されなくなります。バッチサイズ対応勾配雑音境界と曲率ボラティリティ制御境界の2つの相補的基準を導入する。このしきい値を用いることで、各レイヤを安全な限界以下に維持する、単純なレイヤごとのスケジューラを構築します。
論文参考訳（メタデータ） (2025-09-24T02:11:13Z)
Convergence and Generalization of Anti-Regularization for Parametric Models [0.0]
反正則化は損失関数に逆符号を持つ報酬項を導入する。スペクトル安全性条件と信頼領域制約を定式化する。我々は、プロジェクション演算子と勾配クリッピングを組み合わせた軽量な安全ガードを設計し、安定した介入を保証する。
論文参考訳（メタデータ） (2025-08-24T15:34:17Z)
Restoration Score Distillation: From Corrupted Diffusion Pretraining to One-Step High-Quality Generation [82.39763984380625]
Score Distillation (DSD) の原理的一般化である textitRestoration Score Distillation (RSD) を提案する。 RSDは、ぼやけた画像、不完全画像、低解像度画像など、広範囲の汚職タイプに対応している。自然と科学の両方のデータセットの様々な復元作業において、教師モデルを一貫して上回っている。
論文参考訳（メタデータ） (2025-05-19T17:21:03Z)
Evaluating Post-Training Compression in GANs using Locality-Sensitive Hashing [12.182193687133713]
既存の圧縮法がGANs後訓練の圧縮に直接適用できることを示した。局所性に敏感なハッシュ(LSH)に基づく2つの新しい精度とリコール指標を提案する。複数のデータセット上のプリトレーニングされたGANの低ビット圧縮は、精度とリコールのトレードオフを引き起こす。
論文参考訳（メタデータ） (2021-03-22T14:55:24Z)

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。