論文の概要: The role of injected noise in diffusion model generalization
- arxiv url: http://arxiv.org/abs/2611.03764v1
- Date: Mon, 02 Nov 2026 14:51:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-11 11:10:24.812567
- Title: The role of injected noise in diffusion model generalization
- Title(参考訳): 拡散モデル一般化における注入音の役割
- Abstract要約: 異なるデータセットでトレーニングされた拡散モデルは、同じノイズ入力で誘導された場合に非常に類似したサンプルを生成することができる。
サンプリングプロセス中に発生する雑音は,この強い一般化効果の創出や破壊に重要な役割を果たしていることを示す。
- 参考スコア(独自算出の注目度): 5.199765487172328
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diffusion models trained on distinct datasets can produce highly similar samples when prompted with the same noise input, suggesting that they learn a generalized data distribution. We investigate the role of noise injected during the sampling process, and show that it plays an important role in making or breaking this strong generalization effect. Based on this finding we investigate the robustness of sample similarity to changes in the injected noise, and find that its impact is largest in the sampling regime where broad structure already exists but the precise identity of the sample is not yet determined.
- Abstract(参考訳): 異なるデータセットでトレーニングされた拡散モデルは、同じノイズ入力で刺激された場合に非常に類似したサンプルを生成することができ、一般化されたデータ分布を学ぶことを示唆している。
本研究では,サンプリング過程におけるノイズ注入の役割について検討し,この強い一般化効果の創出や破壊において重要な役割を担っていることを示す。
本研究は, 試料の音響的類似性と注入音の変化との関係について検討し, その影響は, 広い構造がすでに存在するサンプリング系では最大であるが, 試料の正確な同定は未定であることを確認した。
関連論文リスト
- On the Collapse Errors Induced by the Deterministic Sampler for Diffusion Models [38.99546114710447]
崩壊誤差は、ODEベースの拡散サンプリングにおいて、これまで認識されていなかった現象である。
我々は,低騒音条件下でのスコア学習が高騒音条件下でのスコア学習に悪影響を及ぼすようなシーソー効果を観察する。
この高雑音状態における不適合性は、決定論的サンプリング器の力学と相まって、最終的に崩壊エラーを引き起こす。
論文 参考訳(メタデータ) (2025-08-22T07:26:24Z) - Spatial Reasoning with Denoising Models [49.83744014336816]
本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。
初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。
これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
論文 参考訳(メタデータ) (2025-02-28T14:08:30Z) - CCS: Controllable and Constrained Sampling with Diffusion Models via Initial Noise Perturbation [9.12693573953231]
生成出力の変化と初期雑音摂動のスケールの関係は拡散ODEサンプリングにより非常に線形である。
そこで我々は,新しい制御可能・制約付きサンプリング法 (CCS) と,所望の統計特性を持つ拡散モデルに対する新しい制御アルゴリズムを提案する。
その結果, CCS法は, 優れた試料品質と多様性を維持しつつ, より精密にサンプリングを制御できることが示唆された。
論文 参考訳(メタデータ) (2025-02-07T05:30:48Z) - Risk-Sensitive Diffusion: Robustly Optimizing Diffusion Models with Noisy Samples [58.68233326265417]
非画像データは実際のアプリケーションで広く使われており、ノイズが多い傾向にある。
リスク感受性SDEは、リスクベクトルによってパラメータ化された微分方程式(SDE)の一種である。
我々はガウス雑音分布と非ガウス雑音分布の両方について系統的研究を行う。
論文 参考訳(メタデータ) (2024-02-03T08:41:51Z) - Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。
本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。
そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
論文 参考訳(メタデータ) (2024-01-17T07:58:18Z) - Continuous Diffusion for Mixed-Type Tabular Data [2.7992435001846827]
混合型タブラリデータのための連続拡散モデルCDTDを提案する。
連続的特徴とカテゴリー的特徴の両方に統一された連続的雑音分布を付与するスコアマッチングとスコアの新たな組み合わせに基づいている。
実験の結果,CDTDは最先端のベンチマークモデルより一貫して優れていた。
論文 参考訳(メタデータ) (2023-12-16T12:21:03Z) - Robust Estimation of Causal Heteroscedastic Noise Models [7.568978862189266]
学生の$t$-distributionは、より小さなサンプルサイズと極端な値で、全体の分布形態を著しく変えることなく、サンプル変数をサンプリングすることの堅牢さで知られている。
我々の経験的評価は、我々の推定器はより堅牢で、合成ベンチマークと実ベンチマークの総合的な性能が向上していることを示している。
論文 参考訳(メタデータ) (2023-12-15T02:26:35Z) - Stochastic force inference via density estimation [0.9208007322096533]
本稿では, 自律非線形力場を推定するために, 基礎となる拡散過程に付随する確率フローに依存する手法を提案する。
本手法は,非定常データから非保守的な力を引き出すことができ,定常データに適用した場合に平衡力学を学習し,加法的および乗法的ノイズモデルの両方でそれを行うことができることを示す。
論文 参考訳(メタデータ) (2023-10-03T18:42:59Z) - Improving the Robustness of Summarization Models by Detecting and
Removing Input Noise [50.27105057899601]
本研究では,様々な種類の入力ノイズから,様々なデータセットやモデルサイズに対する性能損失を定量化する大規模な実験的検討を行った。
本稿では,モデル推論中の入力中のそのようなノイズを検出し,除去するための軽量な手法を提案する。
論文 参考訳(メタデータ) (2022-12-20T00:33:11Z)
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。