論文の概要: Bridging the Data Gap: Source-Informed Task-Space Transport for Few-Shot Diffusion

• arxiv url: http://arxiv.org/abs/2610.31323v1
• Date: Thu, 22 Oct 2026 14:13:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.402868
• Title: Bridging the Data Gap: Source-Informed Task-Space Transport for Few-Shot Diffusion
• Title（参考訳）: データギャップのブリッジ:Few-Shot拡散のためのソースインフォームされたタスク空間輸送
• Abstract要約: 本稿では,コンパクトなタスク空間において,繰り返し発生するソース-ターゲット関係を学習するメタディフについて紹介する。 CIFAR-100バリデーションタスクでは、正しいソース$+$トランスポートは、間違ったソースからのトランスポートよりも平均SWが13.9%低い。
• 参考スコア（独自算出の注目度）: 12.948497270262608
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many deployments require a model to move rapidly from a data-rich source to a related target observed only sparsely. This is especially consequential where target data are difficult to collect, as in healthcare settings with persistent population or acquisition imbalances. Retraining or fine-tuning a high-capacity generator for every target is costly and can be statistically unreliable when target data are scarce. We introduce Meta-Diff, which instead learns a recurring source--target relation once in a compact task space. A shared encoder maps each distribution to a low-dimensional coordinate; a learned relation transports a new source coordinate to its predicted target, and a shared diffusion backbone generates from that prediction without target-specific retraining. Controlled Gaussian-mixture experiments identify when this works: task identity must survive the representation, the relation must generalise across tasks, and the source--target shift must leave useful headroom for transport. On held-out CIFAR-100 validation tasks, correct source $+$ transport achieves 13.9% lower mean SW than transport from the wrong source. With validation-selected adaptation settings in the final-test one-target comparison, its mean SW is 14.7% lower than target-only modelling and 32.7% lower than full fine-tuning; the main route itself uses no target image and assumes the applicable relation is known. On matched CIFAR test episodes, generating from the clean-source coordinate and then applying the known corruption yields lower SW than task-space transport. Office-Home exposes a complementary boundary: transport can align target-domain statistics without reliable object identity. Together, these results recast extreme-few-shot adaptation as reusable transport in task space, while making the conditions for its success and failure directly measurable.
• Abstract（参考訳）: 多くのデプロイメントでは、データ豊富なソースから、わずかにしか観測されていない関連するターゲットへと、モデルが迅速に移動する必要があります。 これは特に、永続的な人口や買収の不均衡のある医療環境では、ターゲットデータの収集が困難である。 各目標に対する高容量発電機のリトレーニングや微調整は費用がかかり、目標データが不足している場合には統計的に信頼性が低い。 メタディフ(Meta-Diff)を導入し、その代わりに、コンパクトなタスク空間で一度だけ、反復的なソース-ターゲット関係を学習する。 共有エンコーダは、各分布を低次元座標にマッピングし、学習関係は、新しいソース座標を予測対象に転送し、共有拡散バックボーンは、ターゲット固有のリトレーニングなしで、その予測から生成する。 制御されたガウス混合実験は、これがいつ機能するかを特定する: タスクのアイデンティティは表現を生き残らなければならず、関係はタスク全体にわたって一般化され、ソース-ターゲットシフトは輸送のために有用なヘッドルームを残しなければならない。 CIFAR-100バリデーションタスクでは、正しいソース$+$トランスポートは、間違ったソースからのトランスポートよりも平均SWが13.9%低い。 最終試験片ターゲット比較における検証選択適応設定では、平均SWは目標のみのモデリングよりも14.7%低く、フル微調整より32.7%低い。 一致したCIFARテストエピソードでは、クリーンソース座標から生成し、既知の汚職を適用すると、タスク空間輸送よりもSWが低い。 Office-Homeは補完的な境界を公開する。トランスポートは、信頼できるオブジェクト識別なしに、ターゲットドメイン統計を調整できる。 これらの結果は、タスク空間における再利用可能な輸送手段としての極端に高速な適応と、その成功と失敗の条件を直接測定可能にするものである。

関連論文リスト

• Pitfalls and Remedies for Multi-Task Bayesian Optimization [10.431916242473045]
  ベイジアン最適化は、関連するソースタスクのデータを用いて、定期的にターゲット実験を温める。 我々は、このデフォルトを制御された設定で再検討し、それがタスク間の相関を誤って見積もっていることに気付きます。 我々はその失敗を2つの独立した構造機構に遡る。
  論文  参考訳（メタデータ） (2026-07-10T03:38:36Z)
• Transfer Learning Through Conditional Quantile Matching [3.86972243789112]
  我々は、異種ソースドメインを利用した回帰学習フレームワークを導入し、データスカースターゲットドメインにおける予測性能を改善する。 提案手法は,各ソース領域に対して個別に条件生成モデルを学習し,条件量子マッチングにより対象ドメインに対する応答を校正する。
  論文  参考訳（メタデータ） (2026-02-02T17:19:55Z)
• Mixed-Sample SGD: an End-to-end Analysis of Supervised Transfer Learning [6.614418593039343]
  本稿では,ソースデータとターゲットデータのサンプリングを交互に行うSGDプロシージャを設計する際の問題点について考察する。 アルゴリズムの主な難しさは、各SGDステップでこのような適応的なサブサンプリングメカニズムを設計する方法を理解することである。 このような混合サンプルSGD法は凸損失を伴う一般的な予測タスクに有効であることを示す。
  論文  参考訳（メタデータ） (2025-07-06T00:03:34Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic Uncertainty [58.144520501201995]
  ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。 注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。 また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
  論文  参考訳（メタデータ） (2021-10-12T22:04:19Z)
• Learning Stable Classifiers by Transferring Unstable Features [59.06169363181417]
  本研究では,素早い相関関係の存在下での伝達学習について検討する。 提案手法は, ソースタスクで学習した安定な特徴抽出器を直接転送しても, 対象タスクのバイアスを排除できないことを実験的に実証する。 我々は、ソースタスクの不安定な特徴とターゲットタスクの不安定な特徴が直接関連していると仮定する。
  論文  参考訳（メタデータ） (2021-06-15T02:41:12Z)
• KL Guided Domain Adaptation [88.19298405363452]
  ドメイン適応は重要な問題であり、現実世界のアプリケーションにしばしば必要である。 ドメイン適応文学における一般的なアプローチは、ソースとターゲットドメインに同じ分布を持つ入力の表現を学ぶことである。 確率的表現ネットワークにより、KL項はミニバッチサンプルにより効率的に推定できることを示す。
  論文  参考訳（メタデータ） (2021-06-14T22:24:23Z)
• On Generating Transferable Targeted Perturbations [102.3506210331038]
  伝達性の高い標的摂動に対する新しい生成的アプローチを提案する。 私たちのアプローチは、ターゲットクラスの「乱れた画像分布」にマッチし、高いターゲット転送率につながります。
  論文  参考訳（メタデータ） (2021-03-26T17:55:28Z)

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。