日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

データ帰属arXiv:2511.10721

テキスト画像生成モデルのための高速データ帰属

Fast Data Attribution for Text-to-Image Models

シェア:XThreadsFacebookLINEはてブBluesky

テキストから画像を生成するモデルにおいて、生成結果に影響を与えた学習画像を高速に特定する手法を提案。既存手法より最大40万倍高速で、大規模モデルにも適用可能。

詳しい要約

1. どんなもの?

- Text-to-image モデルにおいて、生成出力に最も影響を与えた学習画像を特定する data attribution の新手法。 - 既存手法はクエリごとに多大な計算資源を要し実用性に乏しいという問題に対し、スケーラブルで効率的な attribution を目指す。 - 展開時には高影響画像を効率的に検索でき、高価な attribution アルゴリズムの実行を不要にする。

2. 先行研究と比べてどこがすごい?

- 既存の attribution 手法は各クエリに相当な計算資源を必要とし、実世界応用に不向きであった。 - 提案手法は数秒で既存手法より 2,500x〜400,000x 高速でありながら、同等以上の性能を達成。 - 中規模の MSCOCO 学習モデルと大規模な LAION 学習 Stable Diffusion の両方で有効性を示す。

3. 技術・手法の肝は?

- 遅い unlearning-based attribution 手法を feature embedding 空間へ distill するのが鍵。 - これにより高影響な学習画像の効率的な retrieval を可能にする。 - 展開時は効率的な indexing と search を組み合わせ、高価な attribution 計算なしで高影響画像を発見。

4. どうやって有効だと検証した?

- MSCOCO で学習した中規模モデルと、LAION で学習した大規模 Stable Diffusion で広範に評価。 - 提案手法が数秒で既存手法より 2,500x〜400,000x 高速かつ同等以上の性能を達成することを示した。 - 詳細な評価指標や設定は要旨からは不明。

5. 議論はある?

- Stable Diffusion のような実世界モデルへの data attribution の大規模応用に向けた意義ある一歩と位置づけている。 - 具体的な限界や失敗ケース、倫理的含意についての議論は要旨からは不明。

6. 次に読むべき論文は?

- 要旨で比較対象として言及される unlearning-based attribution 手法。 - 評価に用いられた MSCOCO および LAION、Stable Diffusion 関連の研究。 - 効率的な indexing・search 手法(詳細名は要旨からは不明)。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Sheng-Yu Wang, Aaron Hertzmann, Alexei A Efros, Richard Zhang, Jun-Yan Zhu

分類: cs.CV, cs.LG

原文アブストラクト

Data attribution for text-to-image models aims to identify the training images that most significantly influenced a generated output. Existing attribution methods involve considerable computational resources for each query, making them impractical for real-world applications. We propose a novel approach for scalable and efficient data attribution. Our key idea is to distill a slow, unlearning-based attribution method to a feature embedding space for efficient retrieval of highly influential training images. During deployment, combined with efficient indexing and search methods, our method successfully finds highly influential images without running expensive attribution algorithms. We show extensive results on both medium-scale models trained on MSCOCO and large-scale Stable Diffusion models trained on LAION, demonstrating that our method can achieve better or competitive performance in a few seconds, faster than existing methods by 2,500x - 400,000x. Our work represents a meaningful step towards the large-scale application of data attribution methods on real-world models such as Stable Diffusion.

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  4. 4GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI