arXiv cs.AI· Joan Serr\`a, Dipam Goswami, Fabio Morreale, Wei-Hsiang Liao, Yuki Mitsufuji·· 3 天前AI 评分25
扩散模型训练数据归因：镜像遗忘与噪声一致偏斜（MUCS）
Training data attribution in diffusion models via mirrored unlearning and noise-consistent skew
AI 导读
研究者提出 MUCS 方法，通过有界镜像梯度上升微调第二个模型，并用一致噪声样本测量其相对原模型的归一化偏斜，实现扩散模型的训练数据归因。该方法在三个数据集上大幅超越现有方法，并分析了影响实例重叠与 TDA 集成等新问题，已被 NeurIPS26 接收。
正文 · AI 翻译
摘要：训练数据归因（TDA）应能实现生成模型的可解释性，并促进各种相关下游任务。然而，当前的 TDA 方法缺乏可靠性和鲁棒性，阻碍了它们在真实场景中的采用。在本文中，我们朝着为扩散模型实现更可靠、更鲁棒的 TDA 迈出了决定性的一步。我们提出使用镜像遗忘与噪声一致偏斜（MUCS）来执行 TDA。其思路是用有界镜像梯度上升微调第二个模型，并使用一致的噪声样本测量该模型相对于原始模型的归一化偏斜。我们表明，尽管 MUCS 在概念上简单且通用，但它在三个不同数据集上系统性地大幅优于现有方法。我们还研究了核心设计选择对最终性能的影响，并分析了关于生成项之间重要实例重叠以及 TDA 方法集成潜力的新方面。我们相信，我们的发现可能对更一般的遗忘设置，以及需要比较扩散损失的任务具有更广泛的意义。
| 评论： | 已被 NeurIPS26 接收；21 页，5 幅图，9 张表（含附录） |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；机器学习（stat.ML） |
| 引用为： | arXiv:2605.17938 [cs.LG] |
| （或 arXiv:2605.17938v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.17938 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Joan Serrà [查看电子邮件]
[v1]
2026 年 5 月 18 日星期一 06:52:26 UTC（2,392 KB）
[v2]
2026 年 10 月 13 日星期二 16:48:43 UTC（2,400 KB）
来源：arXiv cs.AI · arxiv.org