GICDM：用于可靠距离基生成模型评估的减轻hubness方法
机器学习
2026-05-29 v3 人工智能
机器学习
摘要
生成模型评估常依赖于高维嵌入空间来计算样本之间的距离。我们指出，这些空间中的数据表示受到hubness现象的影响，这种现象扭曲了最近邻关系并偏向距离基指标。基于经典的迭代情境不相似度测量（Iterative Contextual Dissimilarity Measure, ICDM），我们引入生成式ICDM（Generative ICDM, GICDM），一种用于纠正实数据和生成数据的邻域估计的方法。我们引入一个多尺度扩展以改进经验行为。大量在合成和真实基准上的实验表明，GICDM解决了由hubness引起的失败，恢复了可靠的度量行为，并提高了与人类评估的一致性。
引用
@article{arxiv.2602.16449,
title = {GICDM: Mitigating Hubness for Reliable Distance-Based Generative Model Evaluation},
author = {Nicolas Salvy and Hugues Talbot and Bertrand Thirion},
journal= {arXiv preprint arXiv:2602.16449},
year = {2026}
}
备注
Forty-third International Conference on Machine Learning, 2026