要旨: 既存のほとんどのグラフ拡散モデルには重大なバイアス問題があります。本研究では、多くのモデルにおいて順方向拡散の最大摂動分布が標準ガウス分布から逸脱している一方で、逆向きサンプリングは一貫して標準ガウス分布から開始されることを観察します。これにより逆開始バイアスが生じます。さらに、拡散モデルに固有の露出バイアスも相まって、生成品質が低下します。本論文では、両方のバイアスを軽減するための包括的なアプローチを提案します。逆開始バイアスを軽減するために、新たに設計したランジュバン・サンプリングアルゴリズムを用いて順方向の最大摂動分布に整合させ、新しい逆開始点を確立します。露出バイアスに対処するために、新たに定義したスコア差に基づくスコア補正メカニズムを導入します。ネットワークの修正を必要としない本手法は、複数のモデル、データセット、タスクにわたって検証され、最先端の結果を達成します。コードは https://github.com/kunzhan/spp にあります
グラフ拡散モデルにおけるバイアス緩和
arXiv cs.CV / 2026/4/3
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は、一般的なグラフ拡散モデルが、順方向の拡散による摂動の分布と、逆サンプリングで用いる標準ガウス開始との不一致によってバイアスを受けると主張する。
- さらに、生成品質の低下は、この逆方向開始に起因するバイアスが、拡散モデルに固有の露出バイアス（exposure bias）と相互作用することによって生じるとする。
- 逆方向開始のバイアスを修正するため、著者らは、順方向の最大摂動分布に整合する新たな逆方向開始点を設定するランジュバン（Langevin）サンプリングアルゴリズムを設計する。
- 露出バイアスを緩和するため、本論文は新たに定義されたスコア差に基づくスコア補正手法を導入する。
- 提案手法はニューラルネットワークのアーキテクチャ変更を必要とせず、複数のモデル、データセット、タスクにわたって最先端（state-of-the-art）の結果が得られると報告されており、コードはGitHubで公開されている。
