arXiv cs.AI· Tadeusz Dziarmaga, Marcin K\k{a}dzio{\l}ka, Laura Musio{\l}, Patryk Marsza{\l}ek, Artur Kasymov, Piotr Ko\'scielniak, Marcin Mazur·· 11 小时前AI 评分24
PALATE：用全期望定律改进深度生成模型评估的新框架
PALATE: Peculiar Application of the Law of Total Expectation to Enhance the Evaluation of Deep Generative Models
AI 导读
PALATE 框架通过将全期望定律应用于可访问数据的随机变量，解决了 Feature Likelihood Divergence（FLD）的计算效率瓶颈。结合 MMD 基线指标与 DINOv3 特征提取器后，PALATE 在匹配或超越 SOTA 方法的同时具备更优的计算效率与大规模数据集扩展性。实验显示其在检测样本记忆和评估泛化能力方面表现实用，源代码已作为补充材料提供。
正文 · AI 翻译
摘要：深度生成模型（DGM）引发了机器学习领域的范式转变，在图像合成、自然语言处理等相关领域取得了显著进展。然而，如何全面评估这些模型，并有效刻画生成样本在保真度、多样性与新颖性之间的相互作用，仍是一项持续存在的挑战。近期提出的一种方法——特征似然散度（FLD）——在这方面提供了具有理论依据且实用的工具，但面临显著的计算限制。本文提出 PALATE，一种新颖框架，旨在通过解决 FLD 的效率约束来增强 DGM 的评估。我们的方法基于全期望定律在表示可访问数据的随机变量上的一种特殊应用。当与 MMD 基线指标和近期引入的 DINOv3 特征提取器相结合时，PALATE 提供了一个全面的评估框架，其表现达到或超过最先进方法，同时具备更优的计算效率和对大规模数据集的可扩展性。通过一系列实验，我们证明 PALATE 增强构成了一种实用且计算高效的框架，可用于整体 DGM 评估，特别是在检测样本记忆和评估泛化能力方面。源代码作为补充材料提供。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV） |
| 引用为： | arXiv:2503.18462 [cs.LG] |
| （或 arXiv:2503.18462v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2503.18462 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Tadeusz Dziarmaga [查看电子邮件]
[v1]
2025年3月24日星期一 09:06:45 UTC（638 KB）
[v2]
2026年10月19日星期一 23:41:32 UTC（5,998 KB）
来源：arXiv cs.AI · arxiv.org