空是最难的部分：生成模型中记忆的精确测试

生成模型的记忆审核根据阈值读取相似性分数，没有零分布，并且它们支持的结论可能是错误的。根据 MemBench 的规则，基准测试的缓解措施大约使稳定扩散的记忆量减半；通过错误发现控制进行审核，三分之二的认证图像在随机提示扰动下不再被检测到，六分之五在注意力重新调整下不再被检测到，并且所有这些图像都在嵌入优化下。该字段的数据复制测试，针对其自身的空值进行读取，标记了二十四个生成器中的十个，这些生成器不复制任何内容。我们认为对于记忆来说，零是最难的部分，并提供了两个。对于整个模型，训练和保留的图像在给定样本的情况下是可以交换的，并且重新标记它们是一种排列测试，当保留的图像是随机分割时，对于任何统计数据都是精确的；在此基础上，最近邻偏好仍然对这 24 个中的 7 个起作用，并且计数仅限于几乎重复的范围（McNemar p=0.016）。对于单个图像，自然零值会失败两次，这是可测量的：在随机图像中对图像进行排名会在 2,365 个对照中产生 596 个错误发现，而对独立代进行重新采样会使零值过窄三倍。根据匹配的控制进行校准，审核以 5% 的错误发现率证明了 61 个 MemBench 图像中的 36 个，保留的控制在 0.01% 的校准分割中得到了认证，并且在此基准上，每个图像的两代都恢复了该计数。校准的最大值（读取偶尔而不是典型的复制）证明了 46。作为尺度限制的统计量，我们建议使用交点欧拉特征剖面的小尺度质量，它还对复制的不同图像进行计数，并测试两个模型是否复制相同的图像。