論文の概要: Learning Design-Score Manifold to Guide Diffusion Models for Offline Optimization

• arxiv url: http://arxiv.org/abs/2506.05680v1
• Date: Fri, 06 Jun 2025 02:11:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:43.289029
• Title: Learning Design-Score Manifold to Guide Diffusion Models for Offline Optimization
• Title（参考訳）: オフライン最適化のための拡散モデルガイドのための設計スコアマニフォールドの学習
• Authors: Tailin Zhou, Zhilin Chen, Wenlong Lyu, Zhitang Chen, Danny H. K. Tsang, Jun Zhang,
• Abstract要約: 本稿では,設計スコア多様体を学習する拡散型フレームワークであるManGOを紹介する。 ManGOは、トレーニングデータ以外の一般化を実現するために、設計スコアの相互依存を全体的に統一する。 様々な領域にわたる24の単目的と10の多目的の最適化手法より優れている。
• 参考スコア（独自算出の注目度）: 15.663508678977468
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optimizing complex systems, from discovering therapeutic drugs to designing high-performance materials, remains a fundamental challenge across science and engineering, as the underlying rules are often unknown and costly to evaluate. Offline optimization aims to optimize designs for target scores using pre-collected datasets without system interaction. However, conventional approaches may fail beyond training data, predicting inaccurate scores and generating inferior designs. This paper introduces ManGO, a diffusion-based framework that learns the design-score manifold, capturing the design-score interdependencies holistically. Unlike existing methods that treat design and score spaces in isolation, ManGO unifies forward prediction and backward generation, attaining generalization beyond training data. Key to this is its derivative-free guidance for conditional generation, coupled with adaptive inference-time scaling that dynamically optimizes denoising paths. Extensive evaluations demonstrate that ManGO outperforms 24 single- and 10 multi-objective optimization methods across diverse domains, including synthetic tasks, robot control, material design, DNA sequence, and real-world engineering optimization.
• Abstract（参考訳）: 治療薬の発見から高性能材料の設計に至るまで、複雑なシステムを最適化することは、基礎となるルールがしばしば不明で、評価にコストがかかるため、科学と工学における根本的な課題である。 オフライン最適化は、システム間の相互作用なしに事前に収集されたデータセットを使用して、ターゲットスコアの設計を最適化することを目的としている。 しかし、従来のアプローチは、トレーニングデータを超えて失敗し、不正確なスコアを予測し、劣った設計を生成する。 本稿では,設計スコアの相互依存性を直感的に捉え,設計スコアの多様体を学習する拡散ベースのフレームワークであるManGOを紹介する。 設計とスコアを独立して扱う既存の方法とは異なり、ManGOは前方予測と後方生成を統一し、トレーニングデータを超えた一般化を実現する。 これの鍵となるのは、条件生成のためのデリバティブフリーガイダンスであり、適応的推論時間スケーリングと相まって、動的に denoising paths を最適化する。 広範囲な評価により、ManGOは、合成タスク、ロボット制御、材料設計、DNAシークエンス、実世界のエンジニアリング最適化など、さまざまな領域で、24の単目的と10の多目的の最適化手法より優れていることが示されている。

関連論文リスト

• Learning Surrogates for Offline Black-Box Optimization via Gradient Matching [29.831762991506242]
  本稿では,オフラインデータに基づく潜伏勾配場とサロゲートがいかによく一致しているかに基づいて,最適化品質を明示的に境界付けることによって,オフラインブラックボックス最適化を理解するための理論的枠組みを提案する。 そこで本研究では,オフライン最適化のための効果的なサロゲートモデル作成のためのブラックボックス勾配マッチングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-26T22:35:54Z)
• Design Editing for Offline Model-based Optimization [18.701760631151316]
  オフラインモデルベース最適化(MBO)は、デザインとスコアのオフラインデータセットのみを使用してブラックボックスの目的関数を最大化することを目的としている。 一般的なアプローチは、既存の設計とその対応するスコアを使用して代理モデルをトレーニングし、その後、代理モデルに関する勾配ベースの更新を通じて新しい設計を生成することである。 この方法は、サロゲートモデルが見当たらない設計の高得点を誤って予測できるという、アウト・オブ・ディストリビューションの問題に悩まされる。 疑似設計候補にノイズを導入し、その後、オフラインデータセットで事前に訓練された拡散でノイズを識別する。
  論文  参考訳（メタデータ） (2024-05-22T20:00:19Z)
• Aligning Optimization Trajectories with Diffusion Models for Constrained Design Generation [17.164961143132473]
  本稿では,拡散モデルのサンプリング軌跡と従来の物理法に基づく最適化軌跡との整合性を示す学習フレームワークを提案する。 提案手法では,高コストプリプロセッシングや外部サロゲートモデル,ラベル付きデータの追加を必要とせずに,実用的で高性能な設計を2段階で生成することができる。 この結果から, TAは分布内構成における最先端の深層生成モデルより優れ, 推論計算コストを半減することがわかった。
  論文  参考訳（メタデータ） (2023-05-29T09:16:07Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• Conservative Objective Models for Effective Offline Model-Based Optimization [78.19085445065845]
  計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。 本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。 COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
  論文  参考訳（メタデータ） (2021-07-14T17:55:28Z)
• An AI-Assisted Design Method for Topology Optimization Without Pre-Optimized Training Data [68.8204255655161]
  トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。 設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
  論文  参考訳（メタデータ） (2020-12-11T14:33:27Z)

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。