論文の概要: Finite-Sample Sensitivity of Kernel Metrics for Generative Evaluation

• arxiv url: http://arxiv.org/abs/2610.34477v1
• Date: Sun, 25 Oct 2026 17:59:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.620912
• Title: Finite-Sample Sensitivity of Kernel Metrics for Generative Evaluation
• Title（参考訳）: 生成評価のためのカーネルメトリックの有限サンプル感度
• Abstract要約: Kernel Inception Distance (KID) や Kernel Audio Distance (KAD) のようなカーネル距離は、埋め込み空間で生成されたサンプルと参照サンプルを比較する。 シンボル音楽、オーディオ、画像の実際の埋め込みに対して、各デフォルトを2サンプルの置換テストとして実行します。
• 参考スコア（独自算出の注目度）: 0.12277343096128711
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Kernel distances such as the Kernel Inception Distance (KID) and the Kernel Audio Distance (KAD) compare generated and reference samples in an embedding space, and model comparisons rest on their values. Each ships with one fixed kernel, and a reported value does not say which changes that kernel detects at the sample size used. We run each default as a permutation two-sample test on real embeddings of symbolic music, audio and images, comparing a sample with an independent sample changed by a mean shift, an isotropic contraction, or a rotation that keeps the mean and the covariance trace and is matched to the shift in transport distance. At 780 samples per side, both defaults rarely detect the rotations in five evaluation spaces, while they detect the shifts in every run. The median-bandwidth Gaussian kernel of KAD detects the contraction and regains power against rotations on image embeddings with an order of magnitude more samples. The cubic kernel of KID contains second- and third-moment information but misses the contraction in most runs, and our experiments do not establish a high-power rotation regime for it over the tested sample sizes. Narrower Gaussian bandwidths restore sensitivity in music and audio, an $\ell_1$ Laplace kernel does so for images, and aggregated tests combine both at nominal level. We recommend that a reported kernel distance state its sample budget and the changes its configuration detects at that budget.
• Abstract（参考訳）: Kernel Inception Distance (KID) や Kernel Audio Distance (KAD) のようなカーネル距離は、埋め込み空間で生成されたサンプルと参照サンプルを比較し、モデルの比較はそれらの値に依存する。 各カーネルは1つの固定されたカーネルを持ち、報告された値には、どのカーネルが使用したサンプルサイズで検出したかは書かれていない。 サンプルを平均シフト、等方性収縮、あるいは平均と共分散トレースを保ち、移動距離のシフトと一致する回転によって変化する独立したサンプルと比較し、シンボル音楽、オーディオ、画像の実際の埋め込みに対する置換2サンプルテストとして各デフォルトを実行する。 両方のデフォルトが5つの評価空間でローテーションを検出することはめったにないが、各実行中のシフトを検出する。 KADの中央帯域幅のガウス核は、収縮を検出し、画像埋め込み上の回転に対する電力を、桁違いに多くのサンプルで回収する。 KIDの立方体核は、第2および第3モーメント情報を含んでいるが、ほとんどの場合収縮を見逃している。 Narrower Gaussianの帯域幅は、音楽とオーディオの感度を回復し、$\ell_1$ Laplaceカーネルは画像に対して、そして集計テストは名目レベルで両方を結合する。 報告されたカーネル距離は、そのサンプル予算と、その予算でその構成が検出される変更を記載することを推奨する。

関連論文リスト

• Two-Sample Testing via Generative Processes [60.42943145582429]
  生成輸送は、2つのサンプルが同じ分布から来るかどうかを決定する新しい方法を提供する。 2つのサンプルの間に直接補間体を構築し、対称スケジュールでは、その法則が時間反射の下で不変であることを観察する。 したがって、t と 1-t の辺辺が、Jensen-Shannon の発散を計算することで一致するかどうかをテストする。
  論文  参考訳（メタデータ） (2026-10-06T12:48:27Z)
• Two-Sample Testing via Path-based Inference [54.590623065123076]
  2サンプルテストは、同じ分布が2つの有限データセットを生成するかどうかを決定する問題である。 補間子を用いて、両分布を共有ガウスボトルネックに接続する。 ゼロ仮説は、集団が、または同等に、2つのハーフの速度場が、任意のノイズレベルに一致する場合にのみ成立することを示す。
  論文  参考訳（メタデータ） (2026-10-05T01:56:28Z)
• Faster 3D Gaussian Splatting Convergence via Structure-Aware Densification [52.517763621139956]
  3Dガウススプラッティングは、リアルタイムのノベルビュー合成のための強力なシーン表現として登場した。 標準適応密度制御は画面空間の位置勾配に依存する。 本稿では,3次元ガウススプラッティングのための構造認識型密度化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-30T15:37:20Z)
• SMKC: Sketch Based Kernel Correlation Images for Variable Cardinality Time Series Anomaly Detection [0.0]
  運用環境では、監視システムはセンサーチャーンを頻繁に経験する。 本稿では,異常検出器から動的入力構造を分離するフレームワークSMKCを提案する。 SMKC表現におけるランダムプロジェクションと近傍近傍の検出器は、完全に訓練されたベースラインと競合する。
  論文  参考訳（メタデータ） (2026-01-28T21:15:11Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Kernel Two-Sample Tests in High Dimension: Interplay Between Moment Discrepancy and Dimension-and-Sample Orders [1.9303929635966661]
  本研究では,カーネル2サンプル試験において,寸法と試料サイズが無限大に分散する場合の挙動について検討する。 我々は、ヌル仮説と局所的および固定的な選択肢の両方の下で中心極限定理(CLT)を確立する。 新たな非ヌルなCLT結果により,検出可能なモーメント差の微妙な相互作用が明らかとなる,正確な電力解析が可能となった。
  論文  参考訳（メタデータ） (2021-12-31T23:12:44Z)
• How do kernel-based sensor fusion algorithms behave under high dimensional noise? [9.13755431537592]
  我々は2つのカーネルベースセンサー融合アルゴリズムNCCAと交互拡散(AD)の挙動について検討する。 NCCAとADが正当性チェックなしでノイズの多い点群に直接適用されれば、科学者の解釈を誤解させる人工的な情報を生成する可能性がある。 一方、帯域幅が適切に選択された場合、SNRが比較的大きい場合、NCCAとADの両方を高次元雑音に対して堅牢にすることができる。
  論文  参考訳（メタデータ） (2021-11-22T01:42:28Z)
• Kernel distance measures for time series, random fields and other structured data [71.61147615789537]
  kdiffは、構造化データのインスタンス間の距離を推定するためのカーネルベースの新しい尺度である。 これはインスタンス間の自己類似性と交差類似性の両方を考慮し、距離分布の低い定量値を用いて定義される。 kdiffをクラスタリングと分類問題のための距離尺度として用いた分離性条件について,いくつかの理論的結果が得られた。
  論文  参考訳（メタデータ） (2021-09-29T22:54:17Z)
• Learning Deep Kernels for Non-Parametric Two-Sample Tests [50.92621794426821]
  2組のサンプルが同じ分布から引き出されるかどうかを判定するカーネルベースの2サンプルテストのクラスを提案する。 私たちのテストは、テストパワーを最大化するためにトレーニングされたディープニューラルネットワークによってパラメータ化されたカーネルから構築されます。
  論文  参考訳（メタデータ） (2020-02-21T03:54:23Z)

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。