論文の概要: Understanding and Mitigating the High Computational Cost in Path Data Diffusion

• arxiv url: http://arxiv.org/abs/2502.00725v1
• Date: Sun, 02 Feb 2025 09:02:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 14:58:11.396954
• Title: Understanding and Mitigating the High Computational Cost in Path Data Diffusion
• Title（参考訳）: 経路データ拡散における高計算コストの理解と緩和
• Authors: Dingyuan Shi, Lulu Zhang, Yongxin Tong, Ke Xu,
• Abstract要約: 都市移動パターンを理解するためには,経路生成の問題が不可欠である。 最近の研究は、グラフ空間において拡散過程を明示的に考案し、最先端の性能を達成する。 グラフ空間の代わりに潜在空間で動作する潜在空間パス拡散モデルを考案する。
• 参考スコア（独自算出の注目度）: 19.573918766160126
• License:
• Abstract: Advancements in mobility services, navigation systems, and smart transportation technologies have made it possible to collect large amounts of path data. Modeling the distribution of this path data, known as the Path Generation (PG) problem, is crucial for understanding urban mobility patterns and developing intelligent transportation systems. Recent studies have explored using diffusion models to address the PG problem due to their ability to capture multimodal distributions and support conditional generation. A recent work devises a diffusion process explicitly in graph space and achieves state-of-the-art performance. However, this method suffers a high computation cost in terms of both time and memory, which prohibits its application. In this paper, we analyze this method both theoretically and experimentally and find that the main culprit of its high computation cost is its explicit design of the diffusion process in graph space. To improve efficiency, we devise a Latent-space Path Diffusion (LPD) model, which operates in latent space instead of graph space. Our LPD significantly reduces both time and memory costs by up to 82.8% and 83.1%, respectively. Despite these reductions, our approach does not suffer from performance degradation. It outperforms the state-of-the-art method in most scenarios by 24.5%~34.0%.
• Abstract（参考訳）: モビリティサービス、ナビゲーションシステム、スマートトランスポート技術の進歩により、大量のパスデータを収集できるようになった。 経路生成問題(PG)問題として知られるこの経路データの分布のモデル化は、都市移動パターンの理解とインテリジェント交通システムの開発に不可欠である。 近年,分散モデルを用いてPG問題に対処し,マルチモーダル分布を捕捉し,条件付き生成を支援する能力について検討している。 最近の研究は、グラフ空間において拡散過程を明示的に考案し、最先端のパフォーマンスを達成する。 しかし,本手法は時間とメモリの両面で高い計算コストを被り,適用を禁止している。 本稿では,この手法を理論的・実験的に解析し,その計算コストの主要因がグラフ空間における拡散過程の明示的設計であることを確認した。 効率を向上させるために,グラフ空間の代わりに潜在空間で動作する潜在空間パス拡散(LPD)モデルを提案する。 我々のLPDは、それぞれ82.8%と83.1%の時間とメモリコストを著しく削減します。 これらの削減にもかかわらず、我々のアプローチは性能劣化に苦しむことはない。 ほとんどのシナリオでは最先端の手法を24.5%〜34.0%上回っている。

関連論文リスト

• Effortless Efficiency: Low-Cost Pruning of Diffusion Models [29.821803522137913]
  本稿では,拡散モデルに対するモデルに依存しない構造解析フレームワークを提案する。 最終復号化潜水剤の品質を保った効率的な刈り出しを確保するため, 拡散過程全体にわたる新しいエンドツーエンドの刈り出し目標を設計する。 最新のU-Net拡散モデル SDXL と拡散変換器 (FLUX) による結果から,本手法は性能劣化を最小限に抑え,20%のパラメータを効果的に生成できることを示した。
  論文  参考訳（メタデータ） (2024-12-03T21:37:50Z)
• DiP-GO: A Diffusion Pruner via Few-step Gradient Optimization [22.546989373687655]
  本稿では,よりインテリジェントで微分可能なプルーナーを用いて,効率的な拡散モデルを導出する新しいプルーニング法を提案する。 提案手法はSD-1.5の4.4倍の高速化を実現し,従来の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-10-22T12:18:24Z)
• Diffusion State-Guided Projected Gradient for Inverse Problems [82.24625224110099]
  逆問題に対する拡散状態ガイド型射影勾配(DiffStateGrad)を提案する。 DiffStateGrad は拡散過程の中間状態の低ランク近似である部分空間に測定勾配を投影する。 DiffStateGradは、測定手順のステップサイズとノイズの選択によって拡散モデルのロバスト性を向上させる。
  論文  参考訳（メタデータ） (2024-10-04T14:26:54Z)
• Optimizing Diffusion Models for Joint Trajectory Prediction and Controllable Generation [49.49868273653921]
  拡散モデルは、自律運転における共同軌道予測と制御可能な生成を約束する。 最適ガウス拡散(OGD)と推定クリーンマニフォールド(ECM)誘導を導入する。 提案手法は生成過程の合理化を図り,計算オーバーヘッドを低減した実用的な応用を実現する。
  論文  参考訳（メタデータ） (2024-08-01T17:59:59Z)
• Diffusion Models as Optimizers for Efficient Planning in Offline RL [47.0835433289033]
  拡散モデルはオフラインの強化学習タスクにおいて強い競争力を示している。 本稿では,より高速な自己回帰モデルを提案する。 これにより、能力を犠牲にすることなく、より効率的な計画を達成することができます。
  論文  参考訳（メタデータ） (2024-07-23T03:00:01Z)
• A Closer Look at Time Steps is Worthy of Triple Speed-Up for Diffusion Model Training [53.93563224892207]
  そこで本研究では,時間ステップの近さをベースとして,拡散モデル学習のための新しい高速化手法を提案する。 プラグアンドプレイでアーキテクチャに依存しないアプローチとして、SpeeDは、さまざまな拡散アーキテクチャ、データセット、タスクにわたる3回のアクセラレーションを一貫して達成している。
  論文  参考訳（メタデータ） (2024-05-27T17:51:36Z)
• Manifold Preserving Guided Diffusion [121.97907811212123]
  条件付き画像生成は、コスト、一般化可能性、タスク固有のトレーニングの必要性といった課題に直面している。 トレーニング不要な条件生成フレームワークであるManifold Preserving Guided Diffusion (MPGD)を提案する。
  論文  参考訳（メタデータ） (2023-11-28T02:08:06Z)
• Unsupervised Discovery of Interpretable Directions in h-space of Pre-trained Diffusion Models [63.1637853118899]
  本稿では,事前学習した拡散モデルのh空間における解釈可能な方向を特定するための,教師なしおよび学習に基づく最初の手法を提案する。 我々は、事前訓練された拡散モデルのh-スペースで動作するシフト制御モジュールを用いて、サンプルをシフトしたバージョンに操作する。 それらを共同で最適化することで、モデルは自然に絡み合った、解釈可能な方向を発見する。
  論文  参考訳（メタデータ） (2023-10-15T18:44:30Z)
• Learning to Optimize Industry-Scale Dynamic Pickup and Delivery Problems [17.076557377480444]
  動的ピックアップ・デリバリー問題 (DPDP) は、配送注文が事前に分かっていない場合のコストを最小限に抑えるため、複数のサイト間で車両を動的にスケジューリングすることを目的としている。 産業規模のDPDPを解決するために,データ駆動型空間時間支援ダブルグラフネットワーク(ST-DDGN)を提案する。 本手法は,ST-DDGNデータから隣接車両のリレーショナル表現を周期的に学習し,補正することが可能である。
  論文  参考訳（メタデータ） (2021-05-27T01:16:00Z)

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。