論文の概要: Greed is Good: Guided Generation from a Greedy Perspective

• arxiv url: http://arxiv.org/abs/2502.08006v1
• Date: Tue, 11 Feb 2025 23:05:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-13 13:51:07.457833
• Title: Greed is Good: Guided Generation from a Greedy Perspective
• Title（参考訳）: Greed is Good:Greedyの視点からのガイド付きジェネレーション
• Authors: Zander W. Blasingame, Chen Liu,
• Abstract要約: 欲求誘導戦略は良い判断を下し、連続随伴方程式から得られる理想的な勾配を用いて誘導戦略と比較する。 次に、この観点から、他の人気のあるトレーニングフリーガイダンス戦略をどのように統一的に見ることができるかを示す。
• 参考スコア（独自算出の注目度）: 2.0795007613453445
• License:
• Abstract: Training-free guided generation is a widely used and powerful technique that allows the end user to exert further control over the generative process of diffusion models. In this work, we explore the guided generation from the perspective of optimizing the solution trajectory of a neural differential equation in a greedy manner. We present such a strategy as a unifying view on training-free guidance by showing that the greedy strategy is a first-order discretization of end-to-end optimization techniques. We show that a greedy guidance strategy makes good decisions and compare it to a guidance strategy using the ideal gradients found via the continuous adjoint equations. We then show how other popular training-free guidance strategies can be viewed in a unified manner from this perspective.
• Abstract（参考訳）: トレーニングフリーガイドドジェネレーションは、エンドユーザが拡散モデルの生成過程をさらに制御できる、広く使われ、強力な技術である。 本研究では, ニューラル微分方程式の解軌跡の最適化の観点から, 誘導生成について検討する。 本稿では,この戦略がエンドツーエンド最適化手法の1次離散化であることを示すことによって,トレーニングフリーガイダンスの統一的視点として提示する。 欲求誘導戦略は良い判断を下し、連続随伴方程式から得られる理想的な勾配を用いて誘導戦略と比較する。 次に、この観点から、他の人気のあるトレーニングフリーガイダンス戦略をどのように統一的に見ることができるかを示す。

関連論文リスト

• Deep Reinforcement Learning for Online Optimal Execution Strategies [49.1574468325115]
  本稿では,動的な金融市場における非マルコフ的最適実行戦略の学習に挑戦する。 我々は,Deep Deterministic Policy Gradient(DDPG)に基づく新しいアクター批判アルゴリズムを提案する。 提案アルゴリズムは最適実行戦略の近似に成功していることを示す。
  論文  参考訳（メタデータ） (2024-10-17T12:38:08Z)
• Landscape-Aware Growing: The Power of a Little LAG [49.897766925371485]
  成長戦略のプールから最適な成長戦略をどのように選択するかという課題について検討する。 ランドスケープ・アウェア・グロース(LAG)と呼ぶ早期学習力学に基づく代替視点を提案する。
  論文  参考訳（メタデータ） (2024-06-04T16:38:57Z)
• Understanding and Improving Training-free Loss-based Diffusion Guidance [46.803127794547756]
  トレーニングフリーガイダンスの理解を深め、その制限を克服します。 これらの欠点を解明するために, 学習自由指導は, 対向勾配の影響を受けやすいことを理論的に証明した。 次に,その限界を克服するために,理論的理論的根拠と実証的証拠を伴って,一連の手法を導入する。
  論文  参考訳（メタデータ） (2024-03-19T03:27:01Z)
• Learning How to Propagate Messages in Graph Neural Networks [55.2083896686782]
  本稿では,グラフニューラルネットワーク(GNN)におけるメッセージ伝搬戦略の学習問題について検討する。 本稿では,GNNパラメータの最大類似度推定を支援するために,最適伝搬ステップを潜時変数として導入する。 提案フレームワークは,GNNにおけるメッセージのパーソナライズおよび解釈可能な伝達戦略を効果的に学習することができる。
  論文  参考訳（メタデータ） (2023-10-01T15:09:59Z)
• Thompson sampling for improved exploration in GFlowNets [75.89693358516944]
  生成フローネットワーク(Generative Flow Networks, GFlowNets)は、合成対象物上の分布からのサンプリングを、学習可能なアクションポリシーを用いたシーケンシャルな意思決定問題として扱う、アモータイズされた変分推論アルゴリズムである。 2つの領域において、TS-GFNは、過去の研究で使われたオフ・ポリティクス・サーベイ・ストラテジーよりも、探索を改善し、目標分布への収束を早くすることを示す。
  論文  参考訳（メタデータ） (2023-06-30T14:19:44Z)
• Stochastic Unrolled Federated Learning [85.6993263983062]
  本稿では,UnRolled Federated Learning (SURF)を導入する。 提案手法は,この拡張における2つの課題,すなわち,非学習者へのデータセット全体の供給の必要性と,フェデレート学習の分散的性質に対処する。
  論文  参考訳（メタデータ） (2023-05-24T17:26:22Z)
• Discovering Evolution Strategies via Meta-Black-Box Optimization [23.956974467496345]
  メタラーニングによる進化戦略の効果的な更新ルールの発見を提案する。 本手法では,自己注意型アーキテクチャによってパラメータ化された探索戦略を用いる。 進化戦略をスクラッチから自己参照的に訓練することは可能であり、学習された更新ルールは外部メタラーニングループを駆動するために使用される。
  論文  参考訳（メタデータ） (2022-11-21T08:48:46Z)
• Universal Prompt Tuning for Graph Neural Networks [10.250964386142819]
  我々は,任意の事前学習戦略の下で,事前学習したGNNモデルに対して,GPF(Graph Prompt Feature)と呼ばれる普遍的なプロンプトベースのチューニング手法を提案する。 GPFは入力グラフの特徴空間上で動作し、理論的には任意の形式のプロンプト関数に等価な効果を達成できる。 本手法は,事前学習戦略を応用したモデルに適用した場合,既存の特殊プロンプトベースのチューニング手法よりも大幅に優れる。
  論文  参考訳（メタデータ） (2022-09-30T05:19:27Z)
• Multi-Agent Reinforcement Learning with Graph Convolutional Neural Networks for optimal Bidding Strategies of Generation Units in Electricity Markets [1.370633147306388]
  本稿では,深部強化学習(DRL)とグラフ畳み込みニューラルネットワーク(GCN)に基づく分散学習アルゴリズムを提案する。 ノード間の状態と接続はGCNの入力であり、エージェントはシステムの構造を認識することができる。 IEEE 30-busシステムにおける提案アルゴリズムを,異なるシナリオで評価する。
  論文  参考訳（メタデータ） (2022-08-11T09:29:31Z)

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。