論文の概要: Projected Generative Diffusion Models for Constraint Satisfaction
- arxiv url: http://arxiv.org/abs/2402.03559v1
- Date: Mon, 5 Feb 2024 22:18:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-07 17:34:59.315385
- Title: Projected Generative Diffusion Models for Constraint Satisfaction
- Title（参考訳）: 制約満足のための射影生成拡散モデル
- Authors: Jacob K Christopher, Stephen Baek, Ferdinando Fioretto
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 51.957984732779245
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative diffusion models excel at robustly synthesizing coherent content
from raw noise through a sequential process. However, their direct application
in scenarios requiring outputs to adhere to specific, stringent criteria faces
several severe challenges. This paper aims at overcome these challenges and
introduces Projected Generative Diffusion Models (PGDM), an approach that
recast traditional diffusion models sampling into a constrained-optimization
problem. This enables the application of an iterative projections method to
ensure that generated data faithfully adheres to specified constraints or
physical principles. This paper provides theoretical support for the ability of
PGDM to synthesize outputs from a feasible subdistribution under a restricted
class of constraints while also providing large empirical evidence in the case
of complex non-convex constraints and ordinary differential equations. These
capabilities are demonstrated by physics-informed motion in video generation,
trajectory optimization in path planning, and morphometric properties adherence
in material science.
- Abstract（参考訳）: 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堅牢な合成に優れる。
しかしながら、特定の厳格な基準に準拠するために出力を必要とするシナリオでの直接適用は、いくつかの厳しい課題に直面している。
本稿では,これらの課題を克服し,従来の拡散モデルのサンプリングを制約付き最適化問題にリキャストするPGDM(Projected Generative Diffusion Models)を提案する。
これにより、生成されたデータが特定の制約や物理的原則に忠実に準拠することを保証する反復投影法の適用が可能になる。
本稿では,複雑な非凸制約や常微分方程式の場合において,PGDMが制約の制約クラスの下で実現可能なサブディストリビューションから出力を合成する理論的支援を提供する。
これらの能力は、ビデオ生成における物理インフォームドモーション、経路計画における軌道最適化、物質科学における形態的特性の付着によって実証される。
関連論文リスト
- Training-Free Constrained Generation With Stable Diffusion Models [45.138721047543214]
本稿では,安定拡散モデルと制約付き最適化フレームワークを統合する新しい手法を提案する。
本研究では, 物質科学実験を通じて, 精密な形態計測特性の付着を必要とする手法の有効性を実証する。
論文 参考訳（メタデータ） (2025-02-08T16:11:17Z) - Constrained Diffusion Models via Dual Training [80.03953599062365]
拡散プロセスは、トレーニングデータセットのバイアスを反映したサンプルを生成する傾向がある。
所望の分布に基づいて拡散制約を付与し,制約付き拡散モデルを構築する。
本稿では,制約付き拡散モデルを用いて,目的と制約の最適なトレードオフを実現する混合データ分布から新しいデータを生成することを示す。
論文 参考訳（メタデータ） (2024-08-27T14:25:42Z) - On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。
本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文 参考訳（メタデータ） (2024-05-18T15:59:41Z) - Physics-Informed Diffusion Models [0.0]
生成モデルと偏微分方程式の充足を統一する枠組みを提案する。
本手法は,流体流動ケーススタディにおける従来の研究と比較して,残差を最大2桁まで低減する。
論文 参考訳（メタデータ） (2024-03-21T13:52:55Z) - Unveil Conditional Diffusion Models with Classifier-free Guidance: A Sharp Statistical Theory [87.00653989457834]
条件付き拡散モデルは現代の画像合成の基礎となり、計算生物学や強化学習などの分野に広く応用されている。
経験的成功にもかかわらず、条件拡散モデルの理論はほとんど欠落している。
本稿では,条件拡散モデルを用いた分布推定の急激な統計的理論を提示することにより,ギャップを埋める。
論文 参考訳（メタデータ） (2024-03-18T17:08:24Z) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - 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) - CoCoGen: Physically-Consistent and Conditioned Score-based Generative Models for Forward and Inverse Problems [1.0923877073891446]
この研究は生成モデルの到達範囲を物理的問題領域に拡張する。
基礎となるPDEとの整合性を促進するための効率的なアプローチを提案する。
各種物理課題におけるスコアベース生成モデルの可能性と汎用性を示す。
論文 参考訳（メタデータ） (2023-12-16T19:56:10Z) - Physics-informed UNets for Discovering Hidden Elasticity in
Heterogeneous Materials [0.0]
弾性インバージョンのための新しいUNetベースニューラルネットワークモデル(El-UNet)を開発した。
完全接続された物理インフォームドニューラルネットワークと比較して,El-UNetによる精度と計算コストの両面で優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-01T23:35:03Z)
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。