发现基于扩散的 AIGC 模型 LoRA 适配器中未披露的概念

基于摘要分析。本文研究文本到图像扩散模型的 LoRA 适配器可能未如实披露所学生成概念的问题，提出通过搜索能够显露适配器所学内容的条件输入，辅助下游调查；主要贡献是将无需图像生成的子空间筛选与配对视觉验证组合为两阶段概念发现框架。 作者将目标概念刻画为一种条件输入：它应使 LoRA 模型产生一致的输出，与基础模型的输出具有明显区别，并与学得的 LoRA 子空间高度对齐。相应搜索目标联合考虑输出一致性、LoRA 引入的区别性及子空间对齐。摘要未给出这些目标的具体计算形式或权重。 直接在开放提示词空间中搜索需要反复执行扩散生成，成本较高。为此，Subspace-Guided Evolutionary Search（SGES）利用无需生成图像的子空间对齐信号探索候选提示词，并保留较小的候选集合；Paired Visual Identification（PVI）仅对这些候选执行图像生成，通过比较 LoRA 模型与基础模型的输出，识别表现一致且具有区别性的生成行为。其关键机制是以轻量代理信号缩小搜索范围，再进行视觉核验，而非对所有候选反复生成。 作者报告该设计能够高效、可靠地发现 LoRA 中先前未知的概念，但所给摘要未列出数据集、适配器来源、基础模型、对照方法、计算成本或识别指标，实验协议、消融及统计信息尚未验证。复现时需核对子空间对齐的定义、候选提示词的搜索与筛选规则，以及视觉识别的判定方式。本研究对象是生成模型适配器的概念审查，材料未提供 EEG/BCI 验证或具体机制对应关系，因此不据此推断其在神经信号任务中的有效性。