論文の概要: Landing with the Score: Riemannian Optimization through Denoising

• arxiv url: http://arxiv.org/abs/2509.23357v1
• Date: Sat, 27 Sep 2025 15:10:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.179953
• Title: Landing with the Score: Riemannian Optimization through Denoising
• Title（参考訳）: スコアによるランディング:Denoisingによるリーマン最適化
• Authors: Andrey Kharitenko, Zebang Shen, Riccardo de Santi, Niao He, Florian Doerfler,
• Abstract要約: 本稿では,データ分布を最適化に必要な幾何演算に接続するリンク関数を提案する。 この関数が本質多様体演算の回復を可能にすることを示す。 本稿では,2つの効率的な推論時間アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 28.573407652000437
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Under the data manifold hypothesis, high-dimensional data are concentrated near a low-dimensional manifold. We study the problem of Riemannian optimization over such manifolds when they are given only implicitly through the data distribution, and the standard manifold operations required by classical algorithms are unavailable. This formulation captures a broad class of data-driven design problems that are central to modern generative AI. Our key idea is to introduce a link function that connects the data distribution to the geometric operations needed for optimization. We show that this function enables the recovery of essential manifold operations, such as retraction and Riemannian gradient computation. Moreover, we establish a direct connection between our construction and the score function in diffusion models of the data distribution. This connection allows us to leverage well-studied parameterizations, efficient training procedures, and even pretrained score networks from the diffusion model literature to perform optimization. Building on this foundation, we propose two efficient inference-time algorithms -- Denoising Landing Flow (DLF) and Denoising Riemannian Gradient Descent (DRGD) -- and provide theoretical guarantees for both feasibility (approximate manifold adherence) and optimality (small Riemannian gradient norm). Finally, we demonstrate the effectiveness of our approach on finite-horizon reference tracking tasks in data-driven control, highlighting its potential for practical generative and design applications.
• Abstract（参考訳）: データ多様体仮説の下では、高次元データは低次元多様体の近くに集中している。 データ分布を通してのみ暗黙的に与えられるとき、そのような多様体に対するリーマン最適化の問題は研究され、古典的アルゴリズムで必要とされる標準多様体演算は利用できない。 この定式化は、現代の生成AIの中心となる、データ駆動設計の幅広いクラスを捉えている。 我々のキーとなるアイデアは、データ分布と最適化に必要な幾何演算を接続するリンク関数を導入することです。 この関数は、リトラクションやリーマン勾配計算のような本質的な多様体演算の回復を可能にする。 さらに、データ分布の拡散モデルにおいて、構成とスコア関数との直接接続を確立する。 この接続により、よく研究されたパラメータ化、効率的な訓練手順、さらには拡散モデル文献からの事前学習されたスコアネットワークを利用して最適化を行うことができる。 この基礎の上に構築した2つの効率的な推論時間アルゴリズム(DLFとDRGD)を提案し、実現可能性(近似多様体の付着)と最適性(小さなリーマン勾配ノルム)を理論的に保証する。 最後に,データ駆動制御における有限水平参照追跡タスクに対するアプローチの有効性を実証し,その有効性を明らかにした。

関連論文リスト

• Iso-Riemannian Optimization on Learned Data Manifolds [6.345340156849189]
  アイソ・リーマン幾何学を用いた学習データ多様体の最適化のための原理的フレームワークを提案する。 提案手法は,解釈可能なバリセンタ,クラスタリングの改善,逆問題に対する効率の良い解が得られることを示す。 これらの結果は、アイソ・リーマン幾何学の下での最適化が、学習された多様体の写像に固有の歪みを克服できることを証明している。
  論文  参考訳（メタデータ） (2025-10-23T22:34:55Z)
• Learning functions through Diffusion Maps [0.6768558752130311]
  我々は、多様体仮説に基づいて拡散マップフレームワークを構築した。 距離行列の低ランク構造に基づく次元減少戦略を導入する。 オンライン更新機構は、新しいデータの効率的な取り込みを可能にする。
  論文  参考訳（メタデータ） (2025-09-03T22:57:33Z)
• Decentralized Inference for Spatial Data Using Low-Rank Models [4.168323530566095]
  本稿では,空間的低ランクモデルにおけるパラメータ推論に適した分散化フレームワークを提案する。 重要な障害は、観測中の空間的依存から生じ、ログのような状態が要約として表現されるのを防ぐ。 提案手法では,効率的なパラメータ最適化のために,マルチセンサと動的コンセンサス平均化を統合したブロック降下法を用いる。
  論文  参考訳（メタデータ） (2025-02-01T04:17:01Z)
• Diffusion Models as Network Optimizers: Explorations and Analysis [71.69869025878856]
  生成拡散モデル(GDM)は,ネットワーク最適化の新しいアプローチとして期待されている。 本研究ではまず,生成モデルの本質的な特徴について考察する。 本稿では,識別的ネットワーク最適化よりも生成モデルの利点を簡潔かつ直感的に示す。
  論文  参考訳（メタデータ） (2024-11-01T09:05:47Z)
• Gradient Guidance for Diffusion Models: An Optimization Perspective [45.6080199096424]
  本稿では,ユーザ特定目的の最適化に向けて,事前学習した拡散モデルを適用するための勾配ガイダンスの形式について検討する。 我々は,その最適化理論とアルゴリズム設計を体系的に研究するために,誘導拡散の数学的枠組みを確立する。
  論文  参考訳（メタデータ） (2024-04-23T04:51:02Z)
• Diffusion Models as Constrained Samplers for Optimization with Unknown Constraints [55.39203337683045]
  拡散モデルを用いてデータ多様体内で最適化を行う。 目的関数の微分可能性に応じて,2つの異なるサンプリング手法を提案する。 提案手法は,従来の最先端のベースラインよりも優れた,あるいは同等のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-02-28T03:09:12Z)
• Functional Graphical Models: Structure Enables Offline Data-Driven Optimization [111.28605744661638]
  構造がサンプル効率のよいデータ駆動最適化を実現する方法を示す。 また、FGM構造自体を推定するデータ駆動最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-08T22:33:14Z)
• Flow-based Distributionally Robust Optimization [23.232731771848883]
  We present a framework, called $textttFlowDRO$, for solve flow-based distributionally robust optimization (DRO) problem with Wasserstein uncertainty set。 我々は、連続した最悪のケース分布(Last Favorable Distribution, LFD)とそれからのサンプルを見つけることを目指している。 本稿では、逆学習、分布論的に堅牢な仮説テスト、およびデータ駆動型分布摂動差分プライバシーの新しいメカニズムを実証する。
  論文  参考訳（メタデータ） (2023-10-30T03:53:31Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Exploiting Temporal Structures of Cyclostationary Signals for Data-Driven Single-Channel Source Separation [98.95383921866096]
  単一チャネルソース分離(SCSS)の問題点について検討する。 我々は、様々なアプリケーション領域に特に適するサイクロ定常信号に焦点を当てる。 本稿では,最小MSE推定器と競合するU-Netアーキテクチャを用いたディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-08-22T14:04:56Z)
• Offline Model-Based Optimization via Normalized Maximum Likelihood Estimation [101.22379613810881]
  データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。 この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。 我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
  論文  参考訳（メタデータ） (2021-02-16T06:04:27Z)

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。