論文の概要: Diffusion Models for Constrained Domains
- arxiv url: http://arxiv.org/abs/2304.05364v2
- Date: Thu, 7 Mar 2024 13:48:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-08 18:26:17.243175
- Title: Diffusion Models for Constrained Domains
- Title(参考訳): 制約領域の拡散モデル
- Authors: Nic Fishman, Leo Klarner, Valentin De Bortoli, Emile Mathieu, Michael
Hutchinson
- Abstract要約: 我々は, (i) 対数障壁距離と (ii) 制約によって誘導されるブラウン運動に基づく2つの異なる雑音化過程を示す。
次に、ロボット工学やタンパク質設計の応用を含む、多くの合成および実世界のタスクにおいて、我々の手法の実用性を実証する。
- 参考スコア(独自算出の注目度): 11.488860260925504
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Denoising diffusion models are a novel class of generative algorithms that
achieve state-of-the-art performance across a range of domains, including image
generation and text-to-image tasks. Building on this success, diffusion models
have recently been extended to the Riemannian manifold setting, broadening
their applicability to a range of problems from the natural and engineering
sciences. However, these Riemannian diffusion models are built on the
assumption that their forward and backward processes are well-defined for all
times, preventing them from being applied to an important set of tasks that
consider manifolds defined via a set of inequality constraints. In this work,
we introduce a principled framework to bridge this gap. We present two distinct
noising processes based on (i) the logarithmic barrier metric and (ii) the
reflected Brownian motion induced by the constraints. As existing diffusion
model techniques cannot be applied in this setting, we derive new tools to
define such models in our framework. We then demonstrate the practical utility
of our methods on a number of synthetic and real-world tasks, including
applications from robotics and protein design.
- Abstract(参考訳): denoising diffusion modelは、画像生成やテキストから画像へのタスクなど、さまざまな領域で最先端のパフォーマンスを実現する、新しい生成アルゴリズムのクラスである。
この成功を基にした拡散モデルは、最近リーマン多様体の設定に拡張され、自然科学や工学の科学における様々な問題への適用性を広げている。
しかし、これらのリーマン拡散モデルは、それらの前方および後方の過程が常によく定義されているという仮定に基づいて構築され、不等式制約の集合によって定義される多様体を考える重要な一連のタスクに適用できない。
本稿では,このギャップを埋めるための原則的フレームワークを紹介する。
我々は2つの異なるノイズ発生過程を示す。
(i)対数障壁メートル法及び
(ii) 制約によって誘導される反射ブラウン運動。
既存の拡散モデル技術はこの設定では適用できないため、我々のフレームワークでそのようなモデルを定義するための新しいツールを導き出す。
次に、ロボット工学やタンパク質設計の応用を含む、多くの合成および実世界のタスクにおいて、我々の手法の実用性を実証する。
関連論文リスト
- Projected Generative Diffusion Models for Constraint Satisfaction [51.957984732779245]
生成拡散モデルは、逐次過程を通じて生ノイズからコヒーレントな内容の合成に優れる。
本稿では,従来の拡散サンプリングを制約最適化経路に再キャストすることで,これらの課題を克服することを目的とする。
論文 参考訳(メタデータ) (2024-02-05T22:18:16Z) - Reflected Schr\"odinger Bridge for Constrained Generative Modeling [16.72888494254555]
反射拡散モデルは、現実の応用における大規模生成モデルのゴートメソッドとなっている。
本稿では,様々な領域内でデータを生成するために最適化されたエントロピー規則化された最適輸送手法であるReflectioned Schrodinger Bridgeアルゴリズムを紹介する。
提案アルゴリズムは,多様な領域におけるロバストな生成モデリングを実現し,そのスケーラビリティは,標準画像ベンチマークによる実世界の制約付き生成モデリングにおいて実証される。
論文 参考訳(メタデータ) (2024-01-06T14:39:58Z) - Generative Modeling on Manifolds Through Mixture of Riemannian Diffusion
Processes [67.80645464187688]
多様体上に生成過程を構築するための原理的枠組みを導入する。
混合プロセスは、最も可能性の高いエンドポイントに向かって漂流誘導することを特徴とする。
混合過程を学習するための簡易かつ効率的な学習目標を提案する。
論文 参考訳(メタデータ) (2023-10-11T06:04:40Z) - Metropolis Sampling for Constrained Diffusion Models [11.488860260925504]
近年,画像領域における生成モデルの主要なパラダイムとして拡散モデルが出現している。
我々は、ブラウン運動を反映した、別の単純ノルマント化スキームを導入する。
論文 参考訳(メタデータ) (2023-07-11T17:05:23Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳(メタデータ) (2023-07-11T16:51:38Z) - Eliminating Lipschitz Singularities in Diffusion Models [51.806899946775076]
拡散モデルは、時間ステップの零点付近で無限のリプシッツをしばしば表すことを示す。
これは、積分演算に依存する拡散過程の安定性と精度に脅威をもたらす。
我々はE-TSDMと呼ばれる新しい手法を提案し、これは0に近い拡散モデルのリプシッツを除去する。
論文 参考訳(メタデータ) (2023-06-20T03:05:28Z) - Reduce, Reuse, Recycle: Compositional Generation with Energy-Based
Diffusion Models and MCMC [106.06185677214353]
拡散モデルは、多くの領域において、生成モデリングの一般的なアプローチとなっている。
本稿では,新しい構成演算子の利用を可能にする拡散モデルのエネルギーベースパラメータ化を提案する。
これらのサンプルは、幅広い問題にまたがって構成生成の顕著な改善につながっている。
論文 参考訳(メタデータ) (2023-02-22T18:48:46Z) - Infinite-Dimensional Diffusion Models [4.342241136871849]
拡散に基づく生成モデルを無限次元で定式化し、関数の生成モデルに適用する。
我々の定式化は無限次元の設定においてよく成り立っていることを示し、サンプルから目標測度への次元非依存距離境界を提供する。
また,無限次元拡散モデルの設計ガイドラインも作成する。
論文 参考訳(メタデータ) (2023-02-20T18:00:38Z) - A Survey on Generative Diffusion Model [75.93774014861978]
拡散モデルは、深層生成モデルの新たなクラスである。
時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。
本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
論文 参考訳(メタデータ) (2022-09-06T16:56:21Z) - Let us Build Bridges: Understanding and Extending Diffusion Generative
Models [19.517597928769042]
拡散に基づく生成モデルは、最近、有望な結果を得たが、多くのオープンな疑問を提起している。
この研究は、理論的な理解を深めるために、全体的なフレームワークを再検討しようと試みている。
1)拡散生成モデルを学習するための最初の理論的誤り解析,2)異なる離散および制約された領域からのデータを学ぶための単純で統一的なアプローチを提案する。
論文 参考訳(メタデータ) (2022-08-31T08:58:10Z) - Approximate Latent Force Model Inference [1.3927943269211591]
潜在力モデルは、動的システムにおける推論のための純粋にデータ駆動ツールの解釈可能な代替手段を提供する。
ニューラルネットワークのアプローチは、モデルを数千のインスタンスにスケールし、高速で分散的な計算を可能にします。
論文 参考訳(メタデータ) (2021-09-24T09:55:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。