CollaFuse：协作扩散模型
机器学习
2026-05-04 v3 人工智能
计算机视觉与模式识别
摘要
在生成式人工智能的领域，基于扩散的数模方法已成为一种引人注目的生成合成图像的方法。然而，扩散模型的应用存在诸多挑战，尤其是数据可用性、计算需求和隐私问题。传统方法如联邦学习常常对单个客户端（尤其是资源受限的客户端）施加显著的计算负担。为此，我们引入了受分块学习启发的 novel 方法 CollaFuse，用于分布式协作扩散模型。该方法促进了扩散模型的协作训练，同时在图像合成期间减轻了客户端的计算负担。通过在常见数据集 CelebA、CIFAR-10 和 Animals-with-Attributes2 上进行实验，我们的做法在提高性能的同时，减少了信息披露，因为减少了共享原始数据的需求。这些能力在包括边缘计算解决方案设计在内的 various application 领域具有重要潜力。因此，我们的工作推进了分布式机器学习，推动了协作扩散模型的演变。
引用
@article{arxiv.2406.14429,
title = {CollaFuse: Collaborative Diffusion Models},
author = {Simeon Allmendinger and Domenique Zipperling and Lukas Struppek and Niklas Kühl},
journal= {arXiv preprint arXiv:2406.14429},
year = {2026}
}
备注
Conditionally Accepted at the Journal of Artificial Intelligence Research (JAIR)