arXiv · cs.AI· Andrei Jarca, Vlad Hondru, Florinel-Alin Croitoru, Radu Tudor Ionescu·· 1 天前
EigDiff：通过特征样本扩散减少扩散模型训练数据量
EigDiff: Eigensample Diffusion - or how to significantly reduce training dataset size with marginal performance variation?
arXiv:2610.20999v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Andrei Jarca, Vlad Hondru, Florinel-Alin Croitoru, Radu Tudor Ionescu
研究任务与主要进展
研究提出 EigDiff，利用预训练 CLIP 的潜空间和 PCA 特征向量选择代表性训练样本，以在保持扩散模型性能的同时减少数据需求。基于论文摘要，该方法将样本选择与多样性结合，在多个扩散模型和数据集实验中最多减少14倍训练数据、加速子集选择最多1607倍，报告的性能差异较小。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org