arXiv cs.LG· Shixuan Liu, Joan Serr\`a, Kin Wai Cheuk, Jinju Kim, Woosung Choi, Yukara Ikemiya, Wei-Hsiang Liao, Jiaqi W. Ma, Yuki Mitsufuji·· 2026-10-02AI 评分38
蒸馏扩散分数差异以实现高效训练数据归因
Distilling Diffusion Score Discrepancy for Efficient Training Data Attribution
AI 导读
研究提出扩散模型训练数据归因方法 TID 及蒸馏版本 TIDE，无需重训即可根据局部分数差异高效溯源样本。TID 适用于 DDPM、EDM 与 flow matching，采用 Kronecker 分解曲率免去逐样本梯度存储。在 CIFAR-10、ArtBench-10 与 MS-COCO 评测中，TID 达到 SOTA，TIDE 将查询成本降低 4 到 5 个数量级并实现毫秒级归因。
来源：arXiv cs.LG · arxiv.org