論文の概要: Constraint-Guided Prediction Refinement via Deterministic Diffusion Trajectories

• arxiv url: http://arxiv.org/abs/2506.12911v1
• Date: Sun, 15 Jun 2025 17:02:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:47.099823
• Title: Constraint-Guided Prediction Refinement via Deterministic Diffusion Trajectories
• Title（参考訳）: 決定論的拡散軌道による制約誘導予測補正
• Authors: Pantelis Dogoulis, Fabien Bernier, Félix Fourreau, Karim Tit, Maxime Cordy,
• Abstract要約: 本稿では,拡散拡散DDIMを誘導する制約認識のための汎用フレームワークを提案する。 本手法は,事前学習による拡散軌道を反復的に改良し,制約補正により拡張する。
• 参考スコア（独自算出の注目度）: 7.279433512595361
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many real-world machine learning tasks require outputs that satisfy hard constraints, such as physical conservation laws, structured dependencies in graphs, or column-level relationships in tabular data. Existing approaches rely either on domain-specific architectures and losses or on strong assumptions on the constraint space, restricting their applicability to linear or convex constraints. We propose a general-purpose framework for constraint-aware refinement that leverages denoising diffusion implicit models (DDIMs). Starting from a coarse prediction, our method iteratively refines it through a deterministic diffusion trajectory guided by a learned prior and augmented by constraint gradient corrections. The approach accommodates a wide class of non-convex and nonlinear equality constraints and can be applied post hoc to any base model. We demonstrate the method in two representative domains: constrained adversarial attack generation on tabular data with column-level dependencies and in AC power flow prediction under Kirchhoff's laws. Across both settings, our diffusion-guided refinement improves both constraint satisfaction and performance while remaining lightweight and model-agnostic.
• Abstract（参考訳）: 多くの実世界の機械学習タスクは、物理保存法則、グラフの構造的依存関係、表データの列レベルの関係など、厳しい制約を満たす出力を必要とする。 既存のアプローチは、ドメイン固有のアーキテクチャと損失、あるいは制約空間に対する強い仮定のいずれかに依存しており、線形または凸制約の適用性を制限する。 本稿では,拡散暗黙モデル (DDIM) を利用した制約認識改善のための汎用フレームワークを提案する。 粗い予測から始めて,本手法は,事前学習によって導かれる決定論的拡散軌道を用いて反復的に改良し,制約勾配補正により拡張する。 このアプローチは幅広い種類の非凸および非線形等式制約に対応し、任意の基底モデルにポストホックを適用できる。 本手法は,カラムレベルの依存性を持つ表データに対する制約付き逆攻撃生成と,Kirchhoffの法則に基づく交流電力流予測の2つの代表的な領域で実証する。 いずれの設定においても、拡散誘導改善は制約満足度と性能の両方を改善しつつ、軽量でモデルに依存しない。

関連論文リスト

• Enforcing Hard Linear Constraints in Deep Learning Models with Decision Rules [8.098452803458253]
  本稿では、入力依存線形等式とニューラルネットワーク出力の不等式制約を強制するモデルに依存しないフレームワークを提案する。 このアーキテクチャは、予測精度のために訓練されたタスクネットワークと、実行時の決定ルールと堅牢な最適化を用いてトレーニングされた安全なネットワークを組み合わせることで、入力空間全体の実現可能性を保証する。
  論文  参考訳（メタデータ） (2025-05-20T03:09:44Z)
• Aligning Diffusion Model with Problem Constraints for Trajectory Optimization [0.6629765271909505]
  本稿では,拡散モデルと問題固有の制約を明示的に整合させる新しい手法を提案する。 私たちのアプローチは、Dynamic Data-Driven Application Systems(DDDAS)フレームワークとの統合に適しています。
  論文  参考訳（メタデータ） (2025-04-01T01:46:05Z)
• Stochastic Control for Fine-tuning Diffusion Models: Optimality, Regularity, and Convergence [11.400431211239958]
  拡散モデルは生成モデリングの強力なツールとして登場してきた。 微調整拡散モデルのための制御フレームワークを提案する。 PI-FTは線形速度で大域収束することを示す。
  論文  参考訳（メタデータ） (2024-12-24T04:55:46Z)
• Diffusion Predictive Control with Constraints [51.91057765703533]
  拡散予測制御(Diffusion predictive control with constraints,DPCC)は、拡散に基づく制御のアルゴリズムである。 DPCCは,新しいテスト時間制約を満たすために,既存の手法よりも優れた性能を示すロボットマニピュレータのシミュレーションを通して示す。
  論文  参考訳（メタデータ） (2024-12-12T15:10:22Z)
• Robust Stochastically-Descending Unrolled Networks [85.6993263983062]
  Deep Unrolling(ディープ・アンローリング)は、トレーニング可能なニューラルネットワークの層に切り捨てられた反復アルゴリズムをアンロールする、新たな学習最適化手法である。 アンロールネットワークの収束保証と一般化性は、いまだにオープンな理論上の問題であることを示す。 提案した制約の下で訓練されたアンロールアーキテクチャを2つの異なるアプリケーションで数値的に評価する。
  論文  参考訳（メタデータ） (2023-12-25T18:51:23Z)
• On Regularization and Inference with Label Constraints [62.60903248392479]
  機械学習パイプラインにおけるラベル制約を符号化するための2つの戦略、制約付き正規化、制約付き推論を比較した。 正規化については、制約に不整合なモデルを前置することで一般化ギャップを狭めることを示す。 制約付き推論では、モデルの違反を訂正することで人口リスクを低減し、それによってその違反を有利にすることを示す。
  論文  参考訳（メタデータ） (2023-07-08T03:39:22Z)
• An Integer Linear Programming Framework for Mining Constraints from Data [81.60135973848125]
  データから制約をマイニングするための一般的なフレームワークを提案する。 特に、構造化された出力予測の推論を整数線形プログラミング(ILP)問題とみなす。 提案手法は,9×9のスドクパズルの解法を学習し,基礎となるルールを提供することなく,例からツリー問題を最小限に分散させることが可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-18T20:09:53Z)
• A Survey of Constrained Gaussian Process Regression: Approaches and Implementation Challenges [0.0]
  実証性や有界制約、単調性および凸性制約、微分方程式制約、境界条件制約を含むガウス過程制約のいくつかのクラスの概要を提供する。 本稿では,各手法の背景にある戦略と実装の違いを比較し,制約によってもたらされる計算上の課題について議論する。
  論文  参考訳（メタデータ） (2020-06-16T17:03:36Z)

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。