arXiv cs.AI· Jinjian Jiang, Jing Peng, Rehan Deen, Yu Cao, Ziquan Liu, Muhammad Salman Haleem, David Mguni·· 10 小时前AI 评分27
Meta-Diff：用源信息任务空间迁移实现少样本扩散模型适配
Bridging the Data Gap: Source-Informed Task-Space Transport for Few-Shot Diffusion
AI 导读
Meta-Diff 将源域与目标域分布嵌入共享低维任务空间，学习配对训练任务间的仿射迁移映射，并借助共享扩散主干从迁移后的源坐标生成，部署时只需源样本和已学关系标识，无需目标图像或目标端优化。
正文 · AI 翻译
摘要：当一个物体类别在某个领域中得到了充分表示，而在另一个领域中却很少被观察到时，将扩散模型适配到目标领域可能会不可靠。然而，同样的源-目标关系可能已经在其他类别上被观察到。我们探究这种反复出现的关系能否被学习并复用于新的语义任务。我们提出 Meta-Diff，它将源分布和目标分布嵌入一个共享的低维任务空间，在成对的训练任务之间学习一个仿射传输映射，并使用共享的扩散主干从传输后的源坐标进行生成。在部署时，它需要源示例和一个先前已学习关系的标识，但既不需要目标图像，也不需要针对目标的优化。高斯混合实验考察了迁移如何取决于编码器保留的任务信息、关系的可预测性以及源-目标偏移的大小。在留出的 CIFAR-100 验证任务上，正确源传输的平均切片 Wasserstein 距离比错误源传输低 13.9%。在单目标最终测试比较中，在经验证集选择的设置下，其平均距离比仅目标适配低 14.7%，比完全微调低 32.7%。这些增益有明确的局限：将已知损坏直接应用于干净源生成在 CIFAR 上表现更好，且请求类别的身份仍然较弱。Office-Home 显示出领域对齐，但没有可靠的物体身份；临床压力测试未显示出已解决的源特定优势。这些结果刻画了可复用任务空间关系何时有帮助，以及其生成局限性仍然存在之处。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.31323 [cs.LG] |
| （或 arXiv:2610.31323v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.31323 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：David Mguni [查看电子邮件]
[v1]
2026年10月22日星期四 14:13:59 UTC（7,532 KB）
[v2]
2026年11月4日星期三 14:42:39 UTC（7,188 KB）
来源：arXiv cs.AI · arxiv.org