論文の概要: TACO: Trajectory-Aware Curvature Observation for Memorization Localization and Mitigation in Diffusion Models

• arxiv url: http://arxiv.org/abs/2610.41520v2
• Date: Mon, 02 Nov 2026 08:02:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 16:43:28.908877
• Title: TACO: Trajectory-Aware Curvature Observation for Memorization Localization and Mitigation in Diffusion Models
• Title（参考訳）: TACO:拡散モデルにおける時間的局所化と緩和のための軌道対応曲率観測
• Abstract要約: Trajectory-Aware Curvature Observation (TACO) は拡散モデルにおける局所記憶の検出と緩和のための統合されたフレームワークである。 経験的解析により, 遅発性認知症において, 記憶関連曲率が顕著になることが明らかとなった。 TACOは遅発性軌跡に沿って即時依存性の曲率応答を集約し、空間コヒーレンスを改善するために潜在性誘導型空間改善を適用する。
• 参考スコア（独自算出の注目度）: 40.39333668557699
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-to-image diffusion models can reproduce memorized training content within localized image regions, making precise localization essential for targeted mitigation. However, curvature observations at a single denoising state can contain transient responses, while spatially uniform mitigation may disrupt prompt-relevant content. We present Trajectory-Aware Curvature Observation (TACO), a unified framework for local memorization detection and mitigation in diffusion models. Our empirical analysis reveals that memorization-related curvature becomes pronounced during late-stage denoising and persists at consistent spatial locations across neighboring states. Motivated by these observations, TACO aggregates prompt-dependent curvature responses along the late denoising trajectory and applies latent-guided spatial refinement to improve spatial coherence. The resulting memorization map serves both as a localization signal and as a spatial control signal for mitigation. Specifically, TACO uses this map to steer existing inference-time interventions toward memorization-related regions through spatial reweighting and localized guidance correction. Extensive experiments demonstrate that TACO consistently outperforms competing localization methods and improves the Pareto trade-off between memorization suppression and generation quality. These results establish trajectory-aware spatial analysis as an effective link between memorization localization and targeted mitigation.
• Abstract（参考訳）: テキスト・ツー・イメージ拡散モデルは、局所画像領域内で記憶されたトレーニング内容を再現することができ、ターゲットの緩和に必須な正確なローカライゼーションを実現する。 しかし、1つの偏極状態における曲率観測は過渡的な応答を含むことができ、空間的に均一な緩和は急激な関連性を阻害する可能性がある。 本稿では,拡散モデルにおける局所記憶の検出と緩和のための統合フレームワークであるTrajectory-Aware Curvature Observation (TACO)を提案する。 実験により, 暗記に伴う曲率の変化は, 後期の復調時に顕著になり, 隣国間における一貫した空間的位置で持続することが明らかとなった。 これらの観察により、TACOは遅発性軌跡に沿って即時依存性の曲率応答を集約し、空間コヒーレンスを改善するために潜在性誘導型空間改善を適用した。 得られた記憶マップは、ローカライゼーション信号と緩和のための空間制御信号の両方として機能する。 具体的には、TACOはこの地図を用いて、空間的重み付けと局所的なガイダンス補正を通じて、既存の暗黙化関連領域に対する推論時間介入を操る。 大規模な実験により、TACOは競合するローカライゼーション手法を一貫して上回り、記憶の抑制と生成品質のパレートトレードオフを改善することが示されている。 これらの結果は,記憶の局所化と目標緩和の効果的なリンクとして,軌跡認識空間分析を確立した。

関連論文リスト

• LLaCO: Continuous Diffusion for Large Language Models with Competition-Aware Semantic Scheduling [52.65086457153841]
  連続拡散モデルは、連続的な埋め込み空間上でのテキスト生成のための有望な非自己回帰パラダイムとして登場した。 本稿では,ノルム崩壊の埋め込みによりユークリッド距離が急激なオーバーテイクをもたらすことを示す。 競合閾値理論(CTT)としてこれらのペアワイズ力学を定式化する。 コンペティブル・アウェア・セマンティック・スケジューリングを利用した生成フレームワークであるLLaCOを紹介する。
  論文  参考訳（メタデータ） (2026-10-23T13:28:40Z)
• Rethinking Attention Locality in Spiking Transformers [50.00501275379363]
  スパイキングトランスフォーマーは、スパイク駆動計算による効率的なビジュアル処理のための有望なパラダイムを提供する。 彼らのSSA(Softmax-free Spiking Self-Attention)は、空間的に局所化されたトークン相互作用を確立するのに苦労している。 境界連続経路(SCLA-BCP)を用いた空間連続的局所的注意法を提案する。 当社のアプローチでは、2017年のCOCOではmAP@50が9.50%、ADE20KではmIoUが3.42%改善しています。
  論文  参考訳（メタデータ） (2026-08-09T07:36:17Z)
• Localizing Memorized Regions in Diffusion Models via Coordinate-Wise Curvature Differences [7.519872646378835]
  拡散モデルは、意図せずトレーニングサンプルを記憶し、プライバシと著作権に関する懸念を提起する。 局所記憶の幾何的特徴は座標方向の分散崩壊である。 我々は、広く使われているスコア差検出指標の幾何学的説明を提供するスコア差検出プロキシを導出する。
  論文  参考訳（メタデータ） (2026-05-26T09:28:43Z)
• Spatiotemporal Hidden-State Dynamics as a Signature of Internal Reasoning in Large Language Models [0.0]
  内部表現は正確性に関連する信号を運ぶが、その粗い凝集はトークンや層構造を曖昧にする可能性がある。 本研究では,デコードステップとレイヤ間の隠れ状態遷移を調査し,大きな推論モデル(LRM)のパターンを同定する。 我々は,この特徴を遅延遷移の時空間振幅 (StALT) として定式化する。これは,層内サリエンスによって重み付けられた隣接トークン間の時間的変化を要約する統計軌道である。
  論文  参考訳（メタデータ） (2026-05-03T12:46:41Z)
• CAPTAIN: Semantic Feature Injection for Memorization Mitigation in Text-to-Image Diffusion Models [60.610268549138375]
  拡散モデルは意図せずトレーニング例を再現し、プライバシーと著作権の懸念を高めることができる。 CAPTAINはトレーニング不要のフレームワークで,聴覚障害時に潜伏した特徴を直接修正することで記憶を緩和する。
  論文  参考訳（メタデータ） (2025-12-11T14:01:47Z)
• Exploring Local Memorization in Diffusion Models via Bright Ending Attention [62.979954692036685]
  テキスト・画像拡散モデルにおける「右端」(BE)異常は、トレーニング画像の記憶に起因する。 本稿では,BEを既存のフレームワークに統合する簡易かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2024-10-29T02:16:01Z)

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。