論文の概要: Navigating Sparse Molecular Data with Stein Diffusion Guidance

• arxiv url: http://arxiv.org/abs/2507.05482v1
• Date: Mon, 07 Jul 2025 21:14:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:37.349118
• Title: Navigating Sparse Molecular Data with Stein Diffusion Guidance
• Title（参考訳）: ステイン拡散誘導によるスパース分子データのナビゲート
• Authors: Van Khoa Nguyen, Lionel Blondé, Alexandros Kalousis,
• Abstract要約: 最適制御(SOC)は、微調整拡散モデルのための原則的フレームワークとして登場した。 予測されたクリーンなサンプルに対して,既成の分類器を用いて拡散モデルを導出する,トレーニング不要な手法のクラスが開発されている。 本稿では,サロゲート最適制御目標に基づく新しいトレーニングフリーガイダンスフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 48.21071466968102
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stochastic optimal control (SOC) has recently emerged as a principled framework for fine-tuning diffusion models. However, its dependence on computationally intensive simulations makes it impractical for fast sampling. In parallel, a class of training-free approaches has been developed that guides diffusion models using off-the-shelf classifiers on predicted clean samples, bypassing the need to train classifiers on noisy data. These methods can be interpreted as approximate SOC schemes, using Tweedie's formula to estimate diffusion posteriors. In practice, however, such direct approximations can introduce significant errors, leading to unreliable guidance. In this work, we unify the strengths of both paradigms by proposing a novel training-free diffusion guidance framework based on a surrogate stochastic optimal control objective. We derive a new theoretical bound on the value function that reveals the necessity of correcting the approximate posteriors to remain faithful to the true diffusion posterior. To this end, we connect the problem with Stein variational inference, which seeks the steepest descent direction that minimizes the Kullback-Leibler discrepancy between the two posteriors. Our method, which we refer to as Stein Diffusion Guidance (SDG), introduces a principled correction mechanism and incorporates a novel running cost functional to enable effective guidance in low-density regions. Experiments on challenging molecular generation tasks demonstrate that SDG significantly outperforms standard training-free guidance methods, highlighting its potential for broader applications.
• Abstract（参考訳）: 確率的最適制御(SOC)は、最近、微調整拡散モデルのための原則的フレームワークとして登場した。 しかし、計算集約的なシミュレーションに依存しているため、高速サンプリングには実用的ではない。 並行して、予測されたクリーンなサンプルにオフザシェルフ分類器を用いて拡散モデルを誘導し、ノイズの多いデータに分類器を訓練する必要をなくす訓練自由アプローチのクラスが開発された。 これらの手法を近似SOCスキームとして解釈することができ、ツイーディの公式を用いて拡散後部を推定する。 しかし実際には、そのような直接的な近似は重大な誤りを生じさせ、信頼性の低いガイダンスをもたらす。 本研究では,代用確率的最適制御目標に基づいて,新しい学習自由拡散誘導フレームワークを提案することにより,両パラダイムの強みを統一する。 我々は、真の拡散後続に忠実であり続けるために近似後続を補正する必要性を明らかにする値関数に新たな理論的境界を導出する。 この目的のために、この問題を2つの後部間のクルバック・リーブラー差を最小限に抑える最も急勾配方向を求めるスタイン変分推論と結びつける。 低密度領域での効果的な誘導を可能にするために,本手法は基本的補正機構を導入し,新たなランニングコスト関数を導入している。 挑戦的な分子生成タスクの実験では、SDGが標準のトレーニング不要指導法を著しく上回っており、より広範な応用の可能性を強調している。

関連論文リスト

• Training-free Diffusion Model Alignment with Sampling Demons [15.400553977713914]
  提案手法は,報酬関数やモデル再学習を介さずに,推論時の復調過程を導出するための最適化手法である。 提案手法は,高報酬に対応する領域の密度を最適化することにより,雑音分布の制御を行う。 実験の結果,提案手法は平均的美学のテキスト・ツー・イメージ生成を著しく改善することがわかった。
  論文  参考訳（メタデータ） (2024-10-08T07:33:49Z)
• Unsupervised Discovery of Interpretable Directions in h-space of Pre-trained Diffusion Models [63.1637853118899]
  本稿では,事前学習した拡散モデルのh空間における解釈可能な方向を特定するための,教師なしおよび学習に基づく最初の手法を提案する。 我々は、事前訓練された拡散モデルのh-スペースで動作するシフト制御モジュールを用いて、サンプルをシフトしたバージョンに操作する。 それらを共同で最適化することで、モデルは自然に絡み合った、解釈可能な方向を発見する。
  論文  参考訳（メタデータ） (2023-10-15T18:44:30Z)
• Observation-Guided Diffusion Probabilistic Models [41.749374023639156]
  観測誘導拡散確率モデル(OGDM)と呼ばれる新しい拡散に基づく画像生成法を提案する。 本手法は,観測プロセスの指導をマルコフ連鎖と統合することにより,トレーニング目標を再構築する。 本研究では,強力な拡散モデルベースライン上での多様な推論手法を用いたトレーニングアルゴリズムの有効性を示す。
  論文  参考訳（メタデータ） (2023-10-06T06:29:06Z)
• Towards Controllable Diffusion Models via Reward-Guided Exploration [15.857464051475294]
  強化学習(RL)による拡散モデルの学習段階を導く新しい枠組みを提案する。 RLは、政策そのものではなく、指数スケールの報酬に比例したペイオフ分布からのサンプルによる政策勾配を計算することができる。 3次元形状と分子生成タスクの実験は、既存の条件拡散モデルよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-04-14T13:51:26Z)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)

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。