論文の概要: Diffusion Models are Evolutionary Algorithms

• arxiv url: http://arxiv.org/abs/2410.02543v2
• Date: Fri, 4 Oct 2024 01:55:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-04 02:31:52.788365
• Title: Diffusion Models are Evolutionary Algorithms
• Title（参考訳）: 拡散モデルは進化的アルゴリズムである
• Authors: Yanbo Zhang, Benedikt Hartl, Hananel Hazan, Michael Levin,
• Abstract要約: 拡散モデルは、自然に選択、突然変異、生殖隔離を含む進化的アルゴリズムを実行することを示す。 本稿では,反復的 denoising を利用した進化的アルゴリズムである拡散進化法を提案する。 また、高次元複素パラメータ空間における進化的タスクの解を求めるラテント空間拡散進化についても紹介する。
• 参考スコア（独自算出の注目度）: 1.8299322342860518
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In a convergence of machine learning and biology, we reveal that diffusion models are evolutionary algorithms. By considering evolution as a denoising process and reversed evolution as diffusion, we mathematically demonstrate that diffusion models inherently perform evolutionary algorithms, naturally encompassing selection, mutation, and reproductive isolation. Building on this equivalence, we propose the Diffusion Evolution method: an evolutionary algorithm utilizing iterative denoising -- as originally introduced in the context of diffusion models -- to heuristically refine solutions in parameter spaces. Unlike traditional approaches, Diffusion Evolution efficiently identifies multiple optimal solutions and outperforms prominent mainstream evolutionary algorithms. Furthermore, leveraging advanced concepts from diffusion models, namely latent space diffusion and accelerated sampling, we introduce Latent Space Diffusion Evolution, which finds solutions for evolutionary tasks in high-dimensional complex parameter space while significantly reducing computational steps. This parallel between diffusion and evolution not only bridges two different fields but also opens new avenues for mutual enhancement, raising questions about open-ended evolution and potentially utilizing non-Gaussian or discrete diffusion models in the context of Diffusion Evolution.
• Abstract（参考訳）: 機械学習と生物学の収束において、拡散モデルが進化的アルゴリズムであることを明らかにする。 進化を進化過程として考慮し、進化を拡散として逆転させることにより、拡散モデルが自然に進化のアルゴリズムを実行し、自然に選択、突然変異、生殖の隔離を包含することを数学的に示す。 この同値性に基づいて拡散進化法(Diffusion Evolution method)を提案する。拡散モデルの文脈で最初に導入された反復的復調を利用した進化的アルゴリズムで、パラメータ空間における解をヒューリスティックに洗練する。 従来のアプローチとは異なり、拡散進化は複数の最適解を効果的に同定し、主要な進化アルゴリズムより優れている。 さらに、拡散モデル、すなわち潜時空間拡散と加速サンプリングの先進的な概念を活用して、高次元複素パラメータ空間における進化的タスクの解を求める潜時空間拡散進化(Latent Space Diffusion Evolution)を導入し、計算ステップを大幅に削減する。 この拡散と進化の間の並列性は、2つの異なる分野を橋渡しするだけでなく、相互拡張のための新たな道を開き、オープンエンド進化に関する疑問を提起し、拡散進化の文脈において非ガウス的または離散拡散モデルを利用する可能性がある。

関連論文リスト

• Heuristically Adaptive Diffusion-Model Evolutionary Strategy [1.8299322342860518]
  拡散モデル(Diffusion Models)は、生成モデルにおいて重要な進歩を示す。 本研究は,拡散モデルと進化的アルゴリズムの基本的な関係を明らかにする。 我々のフレームワークは、進化的最適化プロセスにおいて、柔軟性、精度、制御性を高めたアルゴリズム上の大きな遷移を示す。
  論文  参考訳（メタデータ） (2024-11-20T16:06:28Z)
• G2D2: Gradient-guided Discrete Diffusion for image inverse problem solving [55.185588994883226]
  本稿では,従来の離散拡散に基づく画像生成モデルを活用することによって,線形逆問題に対処する新しい手法を提案する。 我々の知る限りでは、これは画像逆問題を解決するために離散拡散モデルに基づく先行手法を使う最初のアプローチである。
  論文  参考訳（メタデータ） (2024-10-09T06:18:25Z)
• The Tree of Diffusion Life: Evolutionary Embeddings to Understand the Generation Process of Diffusion Models [2.353466020397348]
  Tree of Diffusion Life (TDL) は拡散モデルの生成過程におけるデータの進化を理解する方法である。 TDLは、様々な反復のインスタンスを通して拡散モデルの生成空間をサンプリングし、画像エンコーダを使用してこれらのサンプルから意味的意味を抽出する。 これは、高次元の関係を保ちながら反復を明示的に符号化する新しい進化的埋め込みアルゴリズムを採用している。
  論文  参考訳（メタデータ） (2024-06-25T11:05:26Z)
• An Overview of Diffusion Models: Applications, Guided Generation, Statistical Rates and Optimization [59.63880337156392]
  拡散モデルはコンピュータビジョン、オーディオ、強化学習、計算生物学において大きな成功を収めた。 経験的成功にもかかわらず、拡散モデルの理論は非常に限定的である。 本稿では,前向きな理論や拡散モデルの手法を刺激する理論的露光について述べる。
  論文  参考訳（メタデータ） (2024-04-11T14:07:25Z)
• Denoising Diffusion Variational Inference: Diffusion Models as Expressive Variational Posteriors [11.01598521921903]
  DDVIは潜在変数モデルのためのブラックボックス変分推論アルゴリズムである。 拡散に基づく変動後肢の表現型クラスを導入する。 我々はこれらの後部を、新しい規則化された証拠を低い境界で訓練する。
  論文  参考訳（メタデータ） (2024-01-05T10:27:44Z)
• A Variational Perspective on Solving Inverse Problems with Diffusion Models [101.831766524264]
  逆タスクは、データ上の後続分布を推測するものとして定式化することができる。 しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。 そこで我々は,真の後続分布を近似する設計手法を提案する。
  論文  参考訳（メタデータ） (2023-05-07T23:00:47Z)
• Diffusion Models in Vision: A Survey [80.82832715884597]
  拡散モデルは、前方拡散段階と逆拡散段階の2つの段階に基づく深層生成モデルである。 拡散モデルは、既知の計算負荷にもかかわらず、生成したサンプルの品質と多様性に対して広く評価されている。
  論文  参考訳（メタデータ） (2022-09-10T22:00:30Z)
• 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)
• EvoVGM: A Deep Variational Generative Model for Evolutionary Parameter Estimation [0.0]
  本研究では,局所生物学的進化パラメータの真後部を共同で近似した深部変分ベイズ生成モデルを提案する。 本研究では,いくつかの進化シナリオと実際のウイルス配列アライメントをシミュレートした合成配列アライメントにおける手法の一貫性と有効性を示す。
  論文  参考訳（メタデータ） (2022-05-25T20:08:10Z)
• GeoDiff: a Geometric Diffusion Model for Molecular Conformation Generation [102.85440102147267]
  分子配座予測のための新しい生成モデルGeoDiffを提案する。 GeoDiffは、既存の最先端のアプローチよりも優れているか、あるいは同等であることを示す。
  論文  参考訳（メタデータ） (2022-03-06T09:47:01Z)
• Evolving Evolutionary Algorithms with Patterns [0.0]
  このモデルは、MEP(Multi Expression Programming)技術に基づいている。 関数最適化のためのいくつかの進化的アルゴリズムは、考慮されたモデルを用いて進化する。
  論文  参考訳（メタデータ） (2021-10-10T16:26:20Z)

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。