揭示生成模型间差异：基于可扩展微分聚类的方法
机器学习
2025-07-16 v3 计算机视觉与模式识别
摘要
对生成模型进行细粒度比较需要识别由各生成模型不同方式生成的样本类型。虽然已提出定量分数来对不同生成模型进行排序，但基于分数的评估和排序无法揭示生成模型在产生不同样本类型方面的细微差异。本文提出解决微分聚类问题，以检测由两个生成模型不同方式生成的样本类型。为解决微分聚类问题，我们发展了一种谱方法，称为傅里叶新集群识别方法（Fourier-based Identification of Novel Clusters, FINC），用于识别相对于参考分布在更高频率下生成的生成模型产生的模式。FINC 提供一种基于随机傅里叶特征的可扩展算法，用于估计两个生成模型的核协方差矩阵的特征空间，并利用主特征方向检测每种模型中更突出的样本类型。我们演示了将 FINC 方法应用于大规模计算机视觉数据集和生成模型框架的可能性。我们的数值结果表明，所developed的傅里叶方法在突出显示生成模型以不同频率生成的样本类型方面的可扩展性。项目代码可在 https://github.com/buyeah1109/FINC 获取。
引用
@article{arxiv.2405.02700,
title = {Unveiling Differences in Generative Models: A Scalable Differential Clustering Approach},
author = {Jingwei Zhang and Mohammad Jalali and Cheuk Ting Li and Farzan Farnia},
journal= {arXiv preprint arXiv:2405.02700},
year = {2025}
}