論文の概要: Valid Early Detection of Memorization in Diffusion Models

• arxiv url: http://arxiv.org/abs/2610.34617v1
• Date: Sun, 25 Oct 2026 22:28:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.648354
• Title: Valid Early Detection of Memorization in Diffusion Models
• Title（参考訳）: 拡散モデルにおける記憶の正当早期検出
• Abstract要約: 拡散モデルは、記憶と呼ばれる現象であるトレーニングデータからサンプルを再現することがある。 非条件拡散モデルの既存の記憶検出方法は、予め選択された時間ステップで動作する。 本研究では,スプリットコンフォメーションキャリブレーションとシーケンシャルモニタリングを組み合わせた2つの手法について検討した。
• 参考スコア（独自算出の注目度）: 6.457785238233259
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models can sometimes reproduce examples from their training data, a phenomenon known as memorization. Existing memorization detection methods for unconditional diffusion models typically operate at a pre-selected timestep and therefore cannot adapt the detection time to the evolving denoising trajectory. Sequential monitoring enables adaptive detection but repeated testing across timesteps complicates trajectory-level false-alarm control. We study two ways of combining split conformal calibration with sequential monitoring for prompt-free memorization detection: per-step Bonferroni calibration and direct trajectory-level calibration of the maximum memorization score. The former controls repeated testing by splitting the false-alarm budget across timesteps, whereas the latter calibrates the event of ever crossing a threshold directly through the trajectory-level maximum. We evaluate this formulation on an unconditional CIFAR-10 EDM using two complementary per-step statistics based on geometry and representation spikiness. Experiments show that sequential monitoring improves the power-timing tradeoff over fixed-time detection. Compared with Bonferroni calibration, trajectory-level calibration achieves comparable detection power while using the false-alarm budget less conservatively and enabling earlier detection at higher noise levels.
• Abstract（参考訳）: 拡散モデルは、記憶と呼ばれる現象であるトレーニングデータからサンプルを再現することがある。 非条件拡散モデルの既存の記憶検出方法は、通常、事前に選択された時間ステップで動作し、したがって、検出時間を進化する復調軌道に適応させることができない。 逐次監視は適応的な検出を可能にするが、時間経過の繰り返しテストは軌道レベルの偽アラーム制御を複雑にする。 本研究では,分割整形校正と逐次モニタリングの2つの手法について検討し,各ステップのボネロニ校正と最大記憶スコアの直接軌跡レベル校正について検討した。 前者はタイムステップで偽アラーム予算を分割することで繰り返しテストを制御するが、後者は軌道レベルの最大値を通して閾値を直接通過するイベントを校正する。 我々はこの定式化を、幾何学と表現のスパイキネスに基づく2つの相補的なステップ毎の統計を用いて、無条件CIFAR-10 EDM上で評価する。 実験により、逐次モニタリングは、固定時間検出よりも電力消費のトレードオフを改善することが示された。 ボンフェロニ校正と比較して、軌道レベルの校正は、偽アラーム予算をあまり保守的に使用せず、より高い騒音レベルでの早期検出を可能にしながら、同等の検知能力を達成する。

関連論文リスト

• Optimal state detection without likelihood estimation [0.0]
  蛍光状態検出における適応ベイズ推定は、明暗数率で固定された2つの算術時間列と経過時間の比較に還元されることを示す。 確率はリアルタイムに計算されず、その結果、逐次期限検出と呼ばれる実装は、平均検出時間において確実に最適である。
  論文  参考訳（メタデータ） (2026-10-02T01:01:43Z)
• When Your Model Stops Working: Anytime-Valid Calibration Monitoring [0.0]
  PITMonitorは、確率積分変換の分布シフトを検出する、任意の値のキャリブレーション固有のモニタである。 リバーのFriedmanDriftベンチマークでは、PITMonitor検出率は最強のベースラインと競合する。
  論文  参考訳（メタデータ） (2026-03-13T16:50:14Z)
• Detecting and Mitigating Memorization in Diffusion Models through Anisotropy of the Log-Probability [9.133729396364952]
  拡散に基づく画像生成モデルは、反復的復調によって高忠実度画像を生成するが、記憶に弱いままである。 最近の暗記検出法は主に暗記の指標としてスコア差のノルムに基づいている。 等方性ノルムと異方性アライメントを統合することで,記憶度検出尺度を開発した。
  論文  参考訳（メタデータ） (2026-01-28T14:29:42Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Explainable Time Series Anomaly Detection using Masked Latent Generative Modeling [1.3927943269211591]
  本稿では,新しい時系列異常検出法であるTimeVQVAE-ADを提案する。 TimeVQVAE-ADは、優れた説明性を提供しながら、優れた検出精度を実現する。 私たちはGitHubに実装を提供しています。
  論文  参考訳（メタデータ） (2023-11-21T11:59:16Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
  本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。 我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-01-25T16:34:43Z)
• 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)
• Optimal Sequential Detection of Signals with Unknown Appearance and Disappearance Points in Time [64.26593350748401]
  本論文は、変化の期間が有限で未知であると仮定して、逐次的な変化点検出問題に対処する。 我々は、所定の時間(または空間)ウィンドウにおける最小検出確率を最大化する信頼性の高い最大変更検出基準に焦点を当てる。 FMAアルゴリズムは、光学画像中の衛星のかすかなストリークを検出するために応用される。
  論文  参考訳（メタデータ） (2021-02-02T04:58:57Z)
• Sequential Drift Detection in Deep Learning Classifiers [4.022057598291766]
  ニューラルネットワーク埋め込みを用いて、適切な逐次決定フレームワーク内でドリフト検出を定式化することにより、データのドリフトを検出する。 本稿では,この2つの関心事のバランスをとるアルゴリズムの能力を評価する損失関数を提案する。
  論文  参考訳（メタデータ） (2020-07-31T14:46:21Z)

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。