論文の概要: CREPE: Controlling Diffusion with Replica Exchange

• arxiv url: http://arxiv.org/abs/2509.23265v1
• Date: Sat, 27 Sep 2025 11:45:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.132431
• Title: CREPE: Controlling Diffusion with Replica Exchange
• Title（参考訳）: CREPE: レプリカ交換による拡散制御
• Authors: Jiajun He, Paul Jeha, Peter Potaptchik, Leo Zhang, José Miguel Hernández-Lobato, Yuanqi Du, Saifuddin Syed, Francisco Vargas,
• Abstract要約: 拡散モデルの推論時間制御は、モデル出力を操り、再学習せずに新しい制約を満たすことを目的としている。 レプリカ交換に基づくフレキシブルな代替案を提案する。 CREPE:(1) 粒子を逐次生成し,(2) 燃焼後の試料の多様性を高く維持し,(3) オンライン精製や早期終了を可能にする。
• 参考スコア（独自算出の注目度）: 32.38925001748167
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inference-time control of diffusion models aims to steer model outputs to satisfy new constraints without retraining. Previous approaches have mostly relied on heuristic guidance or have been coupled with Sequential Monte Carlo (SMC) for bias correction. In this paper, we propose a flexible alternative based on replica exchange, an algorithm designed initially for sampling problems. We refer to this method as the CREPE (Controlling with REPlica Exchange). Unlike SMC, CREPE: (1) generates particles sequentially, (2) maintains high diversity in the generated samples after a burn-in period, and (3) enables online refinement or early termination. We demonstrate its versatility across various tasks, including temperature annealing, reward-tilting, model composition and classifier-free guidance debiasing, with competitive performance compared to prior SMC methods.
• Abstract（参考訳）: 拡散モデルの推論時間制御は、モデル出力を操り、再学習せずに新しい制約を満たすことを目的としている。 それまでのアプローチは、主にヒューリスティックなガイダンスに依存していたり、あるいはバイアス補正のためにSequential Monte Carlo (SMC)と結合していた。 本稿では,まず,レプリカ交換に基づくフレキシブルな代替手法を提案する。 本稿では、この手法をCREPE(Controlling with REPlica Exchange)と呼ぶ。 SMCとは異なり、CREPE:(1) は連続的に粒子を生成し、(2) はバーンイン期間後に生成したサンプルの多様性を保ち、(3) オンライン精製や早期終了を可能にする。 本研究では, 温度アニール, 報奨ティルティング, モデル構成, 分類器フリーガイダンスデバイアスなど, 従来のSMC法と比較して, 各種タスクの汎用性を示す。

関連論文リスト

• Test-Time Alignment of Discrete Diffusion Models with Sequential Monte Carlo [19.81513273510523]
  本研究では,SMC(Sequential Monte Carlo)をベースとしたトレーニングフリー手法を提案する。 提案手法は, 報酬関数の1次テイラー展開により得られる局所的最適提案をツイストしたSMCを利用する。 離散空間における不定義勾配の挑戦に対処するために、Gumbel-Softmax 緩和を導入し、離散生成フレームワーク内で効率的な勾配に基づく近似を可能にする。
  論文  参考訳（メタデータ） (2025-05-28T16:12:03Z)
• Adding Additional Control to One-Step Diffusion with Joint Distribution Matching [58.37264951734603]
  JDMは、画像-条件関節分布間の逆KL分散を最小化する新しいアプローチである。 トラクタブルな上限を導出することにより、JDMは条件学習から忠実度学習を分離する。 この非対称蒸留方式により,一段階の生徒が教師モデルに未知の制御を処理できるようになる。
  論文  参考訳（メタデータ） (2025-03-09T15:06:50Z)
• Feynman-Kac Correctors in Diffusion: Annealing, Guidance, and Product of Experts [64.34482582690927]
  事前学習したスコアベースモデルから得られた熱処理, 幾何平均, 製品分布の配列から, 効率的かつ原理的に抽出する方法を提供する。 本稿では,サンプリング品質を向上させるために,推論時間スケーリングを利用する逐次モンテカルロ(SMC)再サンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-04T17:46:51Z)
• End-To-End Learning of Gaussian Mixture Priors for Diffusion Sampler [15.372235873766812]
  学習可能な混合前駆体は、探索の制御を改善し、目標支援への適応性を高め、モード崩壊に対抗するために増強する。 実験結果から,様々な実環境および総合的なベンチマーク問題に対して,大幅な性能向上が得られた。
  論文  参考訳（メタデータ） (2025-03-01T14:58:14Z)
• Decoupling Training-Free Guided Diffusion by ADMM [17.425995507142467]
  非条件生成モデルと誘導損失関数を明確に分離する新しいフレームワークを提案する。 そこで我々は,これらの成分を適応的にバランスをとるために,alternating Direction Method of Multipliers (ADMM) に基づく新しいアルゴリズムを開発した。 実験の結果,提案手法は高品質なサンプルを連続的に生成することがわかった。
  論文  参考訳（メタデータ） (2024-11-18T23:05:54Z)
• Learning Energy-Based Models by Cooperative Diffusion Recovery Likelihood [64.95663299945171]
  高次元データに基づくエネルギーベースモデル(EBM)の訓練は、困難かつ時間を要する可能性がある。 EBMと、GANや拡散モデルのような他の生成フレームワークとの間には、サンプル品質に顕著なギャップがある。 本研究では,協調拡散回復可能性 (CDRL) を提案する。
  論文  参考訳（メタデータ） (2023-09-10T22:05:24Z)

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。