論文の概要: Neuro-Symbolic Generative Diffusion Models for Physically Grounded, Robust, and Safe Generation

• arxiv url: http://arxiv.org/abs/2506.01121v1
• Date: Sun, 01 Jun 2025 18:58:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:33.944818
• Title: Neuro-Symbolic Generative Diffusion Models for Physically Grounded, Robust, and Safe Generation
• Title（参考訳）: 物理接地・ロバスト・安全発生のためのニューロシンボリック生成拡散モデル
• Authors: Jacob K. Christopher, Michael Cardei, Jinhao Liang, Ferdinando Fioretto,
• Abstract要約: Neuro-Symbolic Diffusion (NSD)は、拡散ステップをシンボル最適化でインターリーブする新しいフレームワークである。 本稿では,ユーザ定義機能制約および論理制約の下で,確実に一貫したサンプルを生成するNSDを提案する。 この能力は,(1)非毒性分子生成と衝突のない軌道最適化の文脈における安全性,(2)薬物発見や材料工学などの領域におけるデータ不足,(3)領域外一般化の3つの課題にまたがる課題において実証される。
• 参考スコア（独自算出の注目度）: 44.80048928651511
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the remarkable generative capabilities of diffusion models, their integration into safety-critical or scientifically rigorous applications remains hindered by the need to ensure compliance with stringent physical, structural, and operational constraints. To address this challenge, this paper introduces Neuro-Symbolic Diffusion (NSD), a novel framework that interleaves diffusion steps with symbolic optimization, enabling the generation of certifiably consistent samples under user-defined functional and logic constraints. This key feature is provided for both standard and discrete diffusion models, enabling, for the first time, the generation of both continuous (e.g., images and trajectories) and discrete (e.g., molecular structures and natural language) outputs that comply with constraints. This ability is demonstrated on tasks spanning three key challenges: (1) Safety, in the context of non-toxic molecular generation and collision-free trajectory optimization; (2) Data scarcity, in domains such as drug discovery and materials engineering; and (3) Out-of-domain generalization, where enforcing symbolic constraints allows adaptation beyond the training distribution.
• Abstract（参考訳）: 拡散モデルの顕著な生成能力にもかかわらず、それらの安全クリティカルまたは科学的に厳密な応用への統合は、厳密な物理的、構造的、運用上の制約へのコンプライアンスを保証する必要性によって妨げられている。 この課題に対処するために,ユーザが定義した機能的および論理的制約の下で,親しみやすい一貫したサンプルを生成することができる,新しいフレームワークであるNeuro-Symbolic Diffusion (NSD)を紹介した。 この重要な特徴は、標準および離散拡散モデルの両方に提供され、初めて、制約に準拠する連続(例えば、画像と軌道)と離散(例えば、分子構造と自然言語)の出力の生成を可能にする。 この能力は,(1)非毒性分子生成と衝突のない軌道最適化の文脈における安全性,(2)医薬品発見や材料工学などの領域におけるデータ不足,(3)記号的制約を強制することでトレーニング分布を超えて適応できる領域外一般化の3つの課題にまたがる。

関連論文リスト

• Strictly Constrained Generative Modeling via Split Augmented Langevin Sampling [0.1052166918701117]
  本研究では,物理的制約を厳格に満たしつつ,対象分布からサンプリングするための原則的フレームワークを開発する。 SAL(Split Augmented Langevin, Split Augmented Langevin)は,変数分割によって制約を段階的に適用し,収束を保証するアルゴリズムである。 本手法は, 物理系の拡散に基づくデータ同化に応用され, 物理制約を強制することで, 予測精度と臨界保存量の保存が大幅に向上する。
  論文  参考訳（メタデータ） (2025-05-23T15:21:10Z)
• Constrained Discrete Diffusion [61.81569616239755]
  本稿では,拡散過程における微分可能制約最適化の新たな統合であるCDD(Constrained Discrete Diffusion)を紹介する。 CDDは直接、離散拡散サンプリングプロセスに制約を課し、トレーニング不要で効果的なアプローチをもたらす。
  論文  参考訳（メタデータ） (2025-03-12T19:48:12Z)
• 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 Synthesis with Projected Diffusion Models [47.56192362295252]
  本稿では, 制約や物理原理の遵守を満足し, 証明する上で, 生成拡散プロセスへのアプローチを紹介する。 提案手法は, 従来の生成拡散過程を制約分布問題として再キャストし, 制約の順守を保証する。
  論文  参考訳（メタデータ） (2024-02-05T22:18:16Z)

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。