Fugu-MT 論文翻訳(概要): Discriminative Score Function: Turning Pretrained Models into Functional Generative Priors

論文の概要: Discriminative Score Function: Turning Pretrained Models into Functional Generative Priors

arxiv url: http://arxiv.org/abs/2610.19743v1
Date: Wed, 14 Oct 2026 08:04:30 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-15 21:06:16.027472
Title: Discriminative Score Function: Turning Pretrained Models into Functional Generative Priors
Title（参考訳）: 識別スコア関数:事前学習されたモデルを関数生成優先に変換する
Abstract要約: 識別モデルは、分類、検出、表現学習といったタスク固有の目的で訓練される。本稿では,事前学習した判別モデルの損失勾配幾何から画像空間生成場を抽出する識別的スコア関数(DSF)を提案する。 DSFはノイズから無条件画像を生成し、条件付きガイダンス、編集、塗装、説明を同一のフィールドでサポートする。
参考スコア（独自算出の注目度）: 33.812093225619414
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Discriminative models are trained with task-specific objectives such as classification, detection, or representation learning, yet their practical utility depends on generalizing beyond the training task to unseen samples from the same domain. This suggests that a discriminative model may retain an implicit trace of the data manifold beyond its task labels. We ask whether this trace can be exposed as a generative signal without task-specific guidance. We introduce the Discriminative Score Function (DSF), which extracts an image-space generative field from the loss-gradient geometry of a pretrained discriminative model. DSF provides a training-free update rule that moves images toward model-consistent visual regions without retraining or task-specific targets. We apply DSF to diverse pretrained discriminative models, including ResNet classifiers, DETR detectors, and DINOv2 ViT encoders. DSF generates unconditional images from noise and supports conditional guidance, editing, inpainting, and explanation through the same field. DSF-generated samples also provide effective zero-shot quantization calibration when real images or labels are unavailable, preserving feature geometry better than data-free calibration baselines. These results show that discriminative training leaves a generative functional signal for synthesis and calibration. Project page: https://junhoo.me/dsf.
Abstract（参考訳）: 識別モデルは、分類、検出、表現学習などのタスク固有の目的で訓練されるが、その実用性は、同じドメインからのサンプルを発見できないように、トレーニングタスクを超えて一般化することに依存する。これは、識別モデルがデータ多様体の暗黙の痕跡をタスクラベルを超えて保持していることを示唆している。タスク固有のガイダンスを使わずに、このトレースを生成信号として公開できるかどうかを問う。本稿では,事前学習した判別モデルの損失勾配幾何から画像空間生成場を抽出する識別的スコア関数(DSF)を提案する。 DSFはトレーニング不要の更新ルールを提供し、リトレーニングやタスク固有のターゲットなしに、イメージをモデル一貫性のある視覚領域に移動させる。我々は、ResNet分類器、DETR検出器、DINOv2 ViTエンコーダなど、様々な事前訓練された識別モデルに適用する。 DSFはノイズから無条件画像を生成し、条件付きガイダンス、編集、塗装、説明を同一のフィールドでサポートする。 DSFが生成したサンプルは、実際の画像やラベルが利用できない場合に、効果的なゼロショット量子化のキャリブレーションを提供し、データフリーのキャリブレーションベースラインよりも優れた特徴幾何を保存する。これらの結果から,識別訓練は,合成と校正のための生成機能信号を残していることが明らかとなった。プロジェクトページ: https://junhoo.me/dsf.com

関連論文リスト

Fine-Grained Traceability for Transparent ML Pipelines [10.182692014427909]
FG-Tracは、機械学習パイプライン全体にわたって詳細なサンプルレベルのトレーサビリティを確立する、モデルに依存しないフレームワークである。これは、前処理とトレーニングにわたるサンプルライフサイクルイベントをキャプチャし、検証するための明示的なメカニズムを定義する。トレーニングチェックポイントに明示的に基づいたコントリビューションスコアを計算し、これらのトレースを暗黙の暗号コミットに固定する。
論文参考訳（メタデータ） (2026-01-21T13:21:30Z)
Dirty and Clean-Label attack detection using GAN discriminators [0.0]
本研究は、GAN識別器を用いて、異なるレベルの修正画像に対して単一のクラスを保護する。その結果, 単一クラスでのトレーニング後, GAN識別器の信頼度スコアは, ラベルの誤りを識別するための閾値を与える可能性が示唆された。
論文参考訳（メタデータ） (2025-06-02T00:32:07Z)
Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
論文参考訳（メタデータ） (2024-07-20T01:34:13Z)
Unsupervised contrastive analysis for anomaly detection in brain MRIs via conditional diffusion models [13.970483987621135]
本研究では、健康な画像に対して自己教師付きコントラストエンコーダを訓練することにより、再建品質を改善するための教師なしフレームワークを提案する。これらの特徴は、拡散モデルを用いて、与えられた画像の健全な外観を再構成し、画素ワイド比較による解釈可能な異常な局所化を可能にする。
論文参考訳（メタデータ） (2024-06-02T15:19:07Z)
Diffusion-TTA: Test-time Adaptation of Discriminative Models via Generative Feedback [97.0874638345205]
生成モデルは、識別モデルのための優れたテストタイムアダプタになり得る。提案手法であるDiffusion-TTAは,事前学習した判別モデルを,テストセットの各未学習例に適応させる。拡散-TTAは,様々な大規模事前学習型判別モデルの精度を著しく向上させることを示した。
論文参考訳（メタデータ） (2023-11-27T18:59:53Z)
Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文参考訳（メタデータ） (2022-06-23T14:16:30Z)
CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
論文参考訳（メタデータ） (2022-06-01T03:02:07Z)
Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文参考訳（メタデータ） (2021-11-30T18:42:42Z)
Semi-Supervised Domain Adaptation with Prototypical Alignment and Consistency Learning [86.6929930921905]
本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
論文参考訳（メタデータ） (2021-04-19T08:46:08Z)
Adversarial Training for EM Classification Networks [0.0]
本稿では,ドメイン・アドバイザリ・ネットワークの新たな変種について述べる。 DANNネットワークの両方のフォークに対して、新しい損失関数が定義される。ドメイン」の概念を拡張して、任意のユーザ定義ラベルを含めることができる。
論文参考訳（メタデータ） (2020-11-20T20:11:58Z)
Anomaly Detection by One Class Latent Regularized Networks [36.67420338535258]
近年,GANに基づく半教師付きジェネレーティブ・アドバイザリアル・ネットワーク(GAN)手法が,異常検出タスクで人気を集めている。遅延特徴空間でトレーニングデータの基盤となる構造を捕捉する新しい対角デュアルオートエンコーダネットワークを提案する。実験の結果,MNISTおよびCIFAR10データセットおよびGTSRB停止信号データセットの最先端結果が得られた。
論文参考訳（メタデータ） (2020-02-05T02:21:52Z)

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。