論文の概要: Attributing HOW, Not Just WHICH: Counterfactual Response Trajectories for Diffusion Models

• arxiv url: http://arxiv.org/abs/2610.11238v1
• Date: Thu, 08 Oct 2026 04:40:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.807994
• Title: Attributing HOW, Not Just WHICH: Counterfactual Response Trajectories for Diffusion Models
• Title（参考訳）: WHICHに限らずHOWに起因する:拡散モデルに対する実応答軌道
• Abstract要約: 動的トラジェクトリ(CADT)を用いた新しい概念帰属法を提案する。 同一ノイズ状態の対実対を構築し,因子特異的な表現変位を分離した。 トレーニング例と生成されたクエリ毎に、CADTはステージワイズな特徴ベクトルを抽出し、デノナイズプロセスに沿ってそれらを統合して、トラジェクトリ記述子を形成する。
• 参考スコア（独自算出の注目度）: 6.151663523688704
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models have achieved remarkable success in image generation, yet tracing their outputs to individual training examples remains challenging. Existing attribution methods often compress factor-specific effects into scalar responses, making distinct internal changes indistinguishable. This is particularly limiting for diffusion models, where semantic factors emerge through evolving representation dynamics during denoising. We therefore reformulate diffusion data attribution as attributing factor-induced internal response trajectories. In this paper, we propose a novel Concept Attribution method through Dynamic Trajectories(CADT). We argue that attribution should therefore ask not only \emph{which} examples matter, but also \emph{how} their influence unfolds during generation. Specifically, we construct matched counterfactual pairs at identical noisy states to isolate factor-specific representation displacements, and model their directional and magnitude evolution across denoising as dynamic attribution signatures. For each training example and generated query, CADT extracts stage-wise feature vectors and integrates them along the denoising process to form a trajectory descriptor. Applying the same construction across the training set yields a bank of factor-specific trajectory descriptors. The covariance statistics of this bank are then used to construct . CADT uses this covariance-aware positive-semidefinite kernel to calibrate the query and training representations, and compares the calibrated query trajectory with each training trajectory to produce the final training-sample attribution scores. Experiments on multiple public datasets show consistent improvements over existing diffusion attribution baselines across hierarchical, compositional, and style attribution.
• Abstract（参考訳）: 拡散モデルは画像生成において顕著な成功を収めているが、個々のトレーニング例にアウトプットをトレースすることは依然として困難である。 既存の帰属法はしばしば因子特異的な効果をスカラー応答に圧縮し、内的変化を区別できない。 これは特に拡散モデルに限られており、そこでは、意味的要因は、デノゲーション中の表現力学の進化を通じて現れる。 そこで我々は,拡散データ帰属を帰属因子による内的反応の軌跡として再構成する。 本稿では,動的トラジェクトリ(CADT)を用いた新しい概念帰属手法を提案する。 したがって、帰属は \emph{which} の例だけでなく、生成中に展開される影響も問うべきである。 具体的には、同一ノイズ状態の対物対を構築し、因子特異的な表現変位を分離し、動的属性シグネチャとして認知する方向と大きさの進化をモデル化する。 トレーニングの例と生成されたクエリ毎に、CADTはステージワイズな特徴ベクトルを抽出し、デノナイズプロセスに沿ってそれらを統合して、トラジェクトリ記述子を形成する。 同じ構成をトレーニングセットに適用すると、因子特異的な軌道記述子のバンクが得られる。 この銀行の共分散統計は、構成に使用される。 CADTはこの共分散対応の正準有限カーネルを用いてクエリとトレーニング表現を校正し、校正されたクエリ軌跡と各トレーニング軌跡を比較して、最終的なトレーニングサンプル属性スコアを生成する。 複数の公開データセットの実験では、階層的、構成的、スタイル的属性にわたる既存の拡散帰属ベースラインよりも一貫した改善が見られた。

関連論文リスト

• Distilling Diffusion Score Discrepancy for Efficient Training Data Attribution [32.351568383729166]
  拡散モデルのトレーニングデータ属性は、生成されたインスタンスに影響を与えるトレーニングサンプルを特定することを目的としている。 属性を局所的なスコア差尺度で直接定式化することで,これらの制限に対処する。 そして,TIDをオンライン学習した前向きの学生であるTIDEに蒸留し,拡散モデルの内部アクティベーションから教師のランキングを再現する。
  論文  参考訳（メタデータ） (2026-09-30T02:04:00Z)
• Tracing Generated Samples to Training-Data Clusters in Flow-Matching Models [15.99834694609762]
  フローマッチングにおいて、トレーニングサンプルは生成軌跡に沿った速度場を通して生成された画像に影響を与える。 本研究は,ハイブリッド解析学習手法による流れマッチングモデルの帰属性について検討する。
  論文  参考訳（メタデータ） (2026-08-30T23:08:04Z)
• Diffusion Model Attribution via Spectral Coupling of Denoiser Responses [14.483783077617483]
  Spectral Denoising Signatures (SDS) は、各候補モデルの認知行動に指紋を印字することで、ソースモデルを識別する非侵襲的属性法である。 SDSは8種類の拡散モデルで約99.9%の精度を達成し、96.2%はドメイン間のプロンプトシフトで達成している。
  論文  参考訳（メタデータ） (2026-06-26T13:52:05Z)
• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• Diffusion Forcing: Next-token Prediction Meets Full-Sequence Diffusion [61.03681839276652]
  拡散強制(Diffusion Forcing)は、拡散モデルをトレーニングし、トークンの集合に独立した音レベルを付与する、新たなトレーニングパラダイムである。 因果的次トーケン予測モデルを訓練して1つまたは複数の未来のトークンを生成することで、シーケンス生成モデルに拡散強制を適用する。
  論文  参考訳（メタデータ） (2024-07-01T15:43:25Z)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)

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。