論文の概要: Define latent spaces by example: optimisation over the outputs of generative models

• arxiv url: http://arxiv.org/abs/2509.23800v1
• Date: Sun, 28 Sep 2025 10:50:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.455092
• Title: Define latent spaces by example: optimisation over the outputs of generative models
• Title（参考訳）: 例として潜在空間を定義する:生成モデルの出力に対する最適化
• Authors: Samuel Willis, Alexandru I. Stere, Dragos D. Margineantu, Henry T. Oldroyd, John A. Fozard, Carl Henrik Ek, Henry Moss, Erik Bodin,
• Abstract要約: 多くの下流タスクは、制約のないサンプリングよりも高いレベルの制御を必要とする。 非パラメトリックで低次元のユークリッド埋め込みは、任意の生成モデルから抽出できる。 我々のアプローチはアーキテクチャに依存しず、計算コストをほとんど必要とせず、モダリティにまたがって一般化する。
• 参考スコア（独自算出の注目度）: 37.62017041960412
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern generative AI models such as diffusion and flow matching can sample from rich data distributions, but many downstream tasks -- such as experimental design or creative content generation -- require a higher level of control than unconstrained sampling. The challenge is to efficiently identify outputs that are both probable under the model and satisfy task-specific constraints. We address this by introducing surrogate latent spaces: non-parametric, low-dimensional Euclidean embeddings that can be extracted from any generative model without additional training. The axes in the Euclidean space can be defined via examples, providing a simple and interpretable approach to define custom latent spaces that both express intended features and are convenient to use in downstream tasks. The representation is Euclidean and has controllable dimensionality, permitting direct application of standard optimisation algorithms to traverse the outputs of generative models. Our approach is architecture-agnostic, incurs almost no additional computational cost, and generalises across modalities, including images, audio, videos, and structured objects like proteins.
• Abstract（参考訳）: 拡散やフローマッチングのような現代的な生成AIモデルは、豊富なデータ分布からサンプリングすることができるが、実験的な設計や創造的なコンテンツ生成など、多くの下流タスクは、制約のないサンプリングよりも高いレベルの制御を必要とする。 課題は、モデルの下で可能なアウトプットを効率的に識別し、タスク固有の制約を満たすことです。 非パラメトリックで低次元のユークリッド埋め込みは、追加の訓練なしに任意の生成モデルから抽出できる。 ユークリッド空間の軸は例を通して定義することができ、意図された特徴を表現し、下流タスクでの使用に便利なカスタム潜在空間を定義するための単純かつ解釈可能なアプローチを提供する。 表現はユークリッドであり、可制御次元を持ち、標準最適化アルゴリズムを直接適用して生成モデルの出力を横切ることができる。 私たちのアプローチはアーキテクチャに依存しないもので、計算コストをほとんど必要とせず、画像、オーディオ、ビデオ、タンパク質のような構造化されたオブジェクトなど、さまざまなモダリティを一般化しています。

関連論文リスト

• Composition and Alignment of Diffusion Models using Constrained Learning [79.36736636241564]
  拡散モデルは、複雑な分布からサンプルを採取する能力により、生成的モデリングにおいて普及している。 i) 拡散モデルを微調整して報酬と整合させるアライメントと、(ii) 予め訓練された拡散モデルを組み合わせて、それぞれが生成した出力に望ましい属性を強調する合成である。 本稿では,共役モデルが報酬制約を満たすこと,あるいは(潜在的に複数の)事前学習モデルに近づき続けることを強制することによって,拡散モデルのアライメントと構成を統一する制約付き最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-26T15:06:30Z)
• Geometric Regularity in Deterministic Sampling of Diffusion-based Generative Models [39.94246633953425]
  決定論的サンプリング力学における顕著な幾何学的規則性を明らかにする。 すべての軌道は、モデルアーキテクチャ、適用条件、生成された内容に関わらず、ほぼ同じ「ボメラン」形状を示す。 提案手法は,サンプリング時間スケジュールと基礎となる軌道構造との整合性を向上する動的プログラミングに基づくスキームを提案する。
  論文  参考訳（メタデータ） (2025-06-11T21:09:09Z)
• Plug-and-Play Controllable Generation for Discrete Masked Models [27.416952690340903]
  本稿では、離散データ制御可能な生成モデリングのための離散マスクモデルについて述べる。 本稿では,条件付きスコアのトレーニングを回避した重要サンプリングに基づく新しいプラグアンドプレイフレームワークを提案する。 本フレームワークは,制御基準の選択に非依存であり,勾配情報を必要としないため,後方サンプリングやベイズ逆問題,制約生成などのタスクに適している。
  論文  参考訳（メタデータ） (2024-10-03T02:00:40Z)
• Linear combinations of latents in generative models: subspaces and beyond [44.72663191923503]
  本稿では,LOL(Latent Optimal Linear combinations)を提案する。 LOLは実装が容易で、線形結合を形成するというより広いタスクに自然に対処します。 これは、高次元オブジェクトの表現的低次元表現の作成を劇的に単純化する。
  論文  参考訳（メタデータ） (2024-08-16T06:43:58Z)
• Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
  我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。 本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。 提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
  論文  参考訳（メタデータ） (2024-03-20T00:41:12Z)
• Constrained Synthesis with Projected Diffusion Models [47.56192362295252]
  本稿では, 制約や物理原理の遵守を満足し, 証明する上で, 生成拡散プロセスへのアプローチを紹介する。 提案手法は, 従来の生成拡散過程を制約分布問題として再キャストし, 制約の順守を保証する。
  論文  参考訳（メタデータ） (2024-02-05T22:18:16Z)
• Protein Design with Guided Discrete Diffusion [67.06148688398677]
  タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。 離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。 NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
  論文  参考訳（メタデータ） (2023-05-31T16:31:24Z)
• Conditional Generative Modeling via Learning the Latent Space [54.620761775441046]
  マルチモーダル空間における条件生成のための新しい枠組みを提案する。 潜在変数を使って一般化可能な学習パターンをモデル化する。 推論では、潜伏変数は複数の出力モードに対応する最適解を見つけるために最適化される。
  論文  参考訳（メタデータ） (2020-10-07T03:11:34Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)

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。