論文の概要: Constrained Generative Modeling with Manually Bridged Diffusion Models

• arxiv url: http://arxiv.org/abs/2502.20371v1
• Date: Thu, 27 Feb 2025 18:41:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-28 14:56:27.488245
• Title: Constrained Generative Modeling with Manually Bridged Diffusion Models
• Title（参考訳）: 手動架橋拡散モデルによる制約付き生成モデル
• Authors: Saeid Naderiparizi, Xiaoxuan Liang, Berend Zwartsenberg, Frank Wood,
• Abstract要約: 手動ブリッジは、いわゆる拡散ブリッジを形成するために実際に使用できる制約の種類を拡張するフレームワークである。 我々は,複数の制約を組み合わせる機構を開発し,結果として得られる乗算制約モデルが,すべての制約を尊重する手動ブリッジとして残るようにした。 また、そのような複数の制約を尊重し、データ分布に適合するように適応する拡散モデルを訓練するためのメカニズムも開発している。
• 参考スコア（独自算出の注目度）: 13.484619687662793
• License:
• Abstract: In this paper we describe a novel framework for diffusion-based generative modeling on constrained spaces. In particular, we introduce manual bridges, a framework that expands the kinds of constraints that can be practically used to form so-called diffusion bridges. We develop a mechanism for combining multiple such constraints so that the resulting multiply-constrained model remains a manual bridge that respects all constraints. We also develop a mechanism for training a diffusion model that respects such multiple constraints while also adapting it to match a data distribution. We develop and extend theory demonstrating the mathematical validity of our mechanisms. Additionally, we demonstrate our mechanism in constrained generative modeling tasks, highlighting a particular high-value application in modeling trajectory initializations for path planning and control in autonomous vehicles.
• Abstract（参考訳）: 本稿では,制約空間上での拡散に基づく生成モデリングのための新しいフレームワークについて述べる。 特に,手動ブリッジは,いわゆる拡散ブリッジの形成に実用的に使用できる制約の種類を拡大するフレームワークである。 我々は,複数の制約を組み合わせる機構を開発し,結果として得られる乗算制約モデルが,すべての制約を尊重する手動ブリッジとして残るようにした。 また、そのような複数の制約を尊重し、データ分布に適合するように適応する拡散モデルを訓練するためのメカニズムも開発している。 我々は,この機構の数学的妥当性を示す理論を開発し,拡張する。 さらに, 自律走行車における経路計画と制御のための軌道初期化をモデル化する上で, 特定の高価値な応用を強調して, 制約付き生成モデルタスクにおける我々のメカニズムを実証する。

関連論文リスト

• Continuous Diffusion Model for Language Modeling [57.396578974401734]
  離散データに対する既存の連続拡散モデルは、離散的アプローチと比較して性能が限られている。 本稿では,下層の分類分布の幾何学を組み込んだ言語モデリングのための連続拡散モデルを提案する。
  論文  参考訳（メタデータ） (2025-02-17T08:54:29Z)
• Schödinger Bridge Type Diffusion Models as an Extension of Variational Autoencoders [0.4499833362998489]
  本稿では,SB型モデルを変分オートエンコーダの拡張として再解釈することにより,拡散モデルを構築するための統一的なフレームワークを提案する。 対象関数は, 先行損失とドリフト整合部からなる。
  論文  参考訳（メタデータ） (2024-12-24T07:43:14Z)
• 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)
• Latent Schr{ö}dinger Bridge Diffusion Model for Generative Learning [7.13080924844185]
  潜在空間におけるシュリンガー橋拡散モデルを用いた新しい生成学習手法を提案する。 我々は、Schr"odingerブリッジフレームワークを用いて、潜伏空間内の拡散モデルを開発する。
  論文  参考訳（メタデータ） (2024-04-20T07:38:48Z)
• InterHandGen: Two-Hand Interaction Generation via Cascaded Reverse Diffusion [53.90516061351706]
  両手インタラクションに先立って生成を学習する新しいフレームワークであるInterHandGenを提案する。 サンプリングにアンチペネティフィケーションと合成フリーガイダンスを組み合わせることで、プラウシブルな生成を可能にする。 本手法は, 妥当性と多様性の観点から, ベースライン生成モデルよりも有意に優れていた。
  論文  参考訳（メタデータ） (2024-03-26T06:35:55Z)
• 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)
• On the Embedding Collapse when Scaling up Recommendation Models [53.66285358088788]
  埋め込み崩壊現象をスケーラビリティの阻害とみなし、埋め込み行列は低次元の部分空間を占有する傾向にある。 本稿では,組込み集合固有の相互作用モジュールを組み込んで,多様性を持つ組込み集合を学習する,単純かつ効果的な組込み設計を提案する。
  論文  参考訳（メタデータ） (2023-10-06T17:50:38Z)
• Optimal Transport Model Distributional Robustness [33.24747882707421]
  これまでの研究は主に、データ空間における分散ロバスト性を活用することに焦点を当ててきた。 我々は、最適なロバストな中心モデル分布を学習できる理論を開発する。 我々のフレームワークはSharpness-Aware Minimizationの確率的拡張と見なすことができる。
  論文  参考訳（メタデータ） (2023-06-07T06:15:12Z)
• Diff-Instruct: A Universal Approach for Transferring Knowledge From Pre-trained Diffusion Models [77.83923746319498]
  本稿では,任意の生成モデルの学習を指導するDiff-Instructというフレームワークを提案する。 Diff-Instructは、最先端の単一ステップ拡散モデルであることを示す。 GANモデルの精製実験により、Diff-InstructはGANモデルの事前訓練されたジェネレータを一貫して改善できることが示されている。
  論文  参考訳（メタデータ） (2023-05-29T04:22:57Z)
• Diffusion Models for Constrained Domains [11.488860260925504]
  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。
  論文  参考訳（メタデータ） (2023-04-11T17:19:45Z)
• Reduce, Reuse, Recycle: Compositional Generation with Energy-Based Diffusion Models and MCMC [102.64648158034568]
  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)

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。