How to Trust Your Diffusion Model: A Convex Optimization Approach to Conformal Risk Control

要約

非公式には拡散モデルと呼ばれるスコアベースの生成モデリングは、いくつかの重要なドメインやタスクにわたって人気が高まり続けています。
これらは経験的分布から高品質で多様なサンプルを提供しますが、重要なシナリオで責任を持って使用するためのこれらのサンプリング手順の信頼性と信頼性については、重要な疑問が残っています。
等角予測は、ブラックボックス予測子に対して有限サンプルで分布のない不確実性の保証を構築するための最新のツールです。
この研究では、画像から画像への回帰タスクに焦点を当て、$(i)$ がエントリごとに提供できるようにする、$K$-RCPS と呼ぶリスク制御予測セット (RCPS) 手順の一般化を示します。
$(ii)$ は、任意の拡散モデルの将来のサンプルに対して校正された間隔を設定し、最小の平均間隔長を持つグラウンド トゥルース画像に関するリスクの特定の概念を制御します。
既存の等角リスク管理手順とは異なり、私たちの手法は、平均間隔の長さを確実に最小限に抑えながら、多次元のリスク管理を可能にする新しい凸型最適化アプローチに依存しています。
ここでは、顔の自然画像と腹部のコンピュータ断層撮影 (CT) スキャンという 2 つの現実世界の画像ノイズ除去問題に対するアプローチを示し、最先端のパフォーマンスを示します。

要約(オリジナル)

Score-based generative modeling, informally referred to as diffusion models, continue to grow in popularity across several important domains and tasks. While they provide high-quality and diverse samples from empirical distributions, important questions remain on the reliability and trustworthiness of these sampling procedures for their responsible use in critical scenarios. Conformal prediction is a modern tool to construct finite-sample, distribution-free uncertainty guarantees for any black-box predictor. In this work, we focus on image-to-image regression tasks and we present a generalization of the Risk-Controlling Prediction Sets (RCPS) procedure, that we term $K$-RCPS, which allows to $(i)$ provide entrywise calibrated intervals for future samples of any diffusion model, and $(ii)$ control a certain notion of risk with respect to a ground truth image with minimal mean interval length. Differently from existing conformal risk control procedures, ours relies on a novel convex optimization approach that allows for multidimensional risk control while provably minimizing the mean interval length. We illustrate our approach on two real-world image denoising problems: on natural images of faces as well as on computed tomography (CT) scans of the abdomen, demonstrating state of the art performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google