Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

DMin: Scalable Training Data Influence Estimation for Diffusion Models

Created by
  • Haebom

저자

Huawei Lin, Yingjie Lao, Weijie Zhao

개요

본 논문은 수십억 개의 파라미터를 가진 거대 확산 모델에서 생성된 이미지에 가장 큰 영향을 미치는 훈련 데이터 샘플을 식별하는 확장 가능한 프레임워크인 DMin (Diffusion Model influence)을 제안합니다. 기존 방법들의 계산적 한계를 극복하기 위해 효율적인 기울기 압축을 활용하여 수백 TB의 저장 용량을 MB 또는 KB 수준으로 줄이고, 상위 k개의 가장 영향력 있는 훈련 샘플을 1초 이내에 검색합니다. 실험 결과 DMin이 영향력 있는 훈련 샘플을 효과적으로 식별하고 계산 및 저장 요구 사항 측면에서 효율적임을 보여줍니다.

시사점, 한계점

•
시사점:
◦
수십억 파라미터 규모의 거대 확산 모델에서도 훈련 데이터의 영향도를 효율적으로 계산 가능하게 함.
◦
기존 방법 대비 획기적으로 향상된 계산 속도 및 저장 공간 효율성 제공.
◦
생성 이미지에 대한 이해도를 높이고, 모델의 투명성을 향상시키는 데 기여.
•
한계점:
◦
DMin의 성능은 사용된 기울기 압축 기술에 의존적일 수 있음. 압축률과 정확도 간의 절충이 필요할 수 있음.
◦
현재는 이미지 생성에 대한 영향만을 고려하며, 다른 측면(예: 모델의 특정 기능)에 대한 영향 분석은 추가 연구가 필요함.
◦
매우 큰 모델에 적용 시에도 여전히 상당한 계산 자원이 필요할 가능성이 있음.
👍
Made with SlashPage