論文の概要: Self-supervised diffusion model fine-tuning for costate initialization using Markov chain Monte Carlo
- arxiv url: http://arxiv.org/abs/2510.02527v1
- Date: Thu, 02 Oct 2025 19:54:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-06 16:35:52.157113
- Title: Self-supervised diffusion model fine-tuning for costate initialization using Markov chain Monte Carlo
- Title（参考訳）: マルコフ連鎖モンテカルロを用いたコスト初期化のための自己教師付き拡散モデル微調整
- Authors: Jannik Graebner, Ryne Beeson,
- Abstract要約: 最適軌道解の分布を表すために条件付き拡散モデルを用いる。
次に,マルコフ・チェイン・モンテカルロアルゴリズムと自己教師型微調整を用いた新しい手法を紹介する。
サンプル品質を改善する能力を示す2つの問題について, 数値実験を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Global search and optimization of long-duration, low-thrust spacecraft trajectories with the indirect method is challenging due to a complex solution space and the difficulty of generating good initial guesses for the costate variables. This is particularly true in multibody environments. Given data that reveals a partial Pareto optimal front, it is desirable to find a flexible manner in which the Pareto front can be completed and fronts for related trajectory problems can be found. In this work we use conditional diffusion models to represent the distribution of candidate optimal trajectory solutions. We then introduce into this framework the novel approach of using Markov Chain Monte Carlo algorithms with self-supervised fine-tuning to achieve the aforementioned goals. Specifically, a random walk Metropolis algorithm is employed to propose new data that can be used to fine-tune the diffusion model using a reward-weighted training based on efficient evaluations of constraint violations and missions objective functions. The framework removes the need for separate focused and often tedious data generation phases. Numerical experiments are presented for two problems demonstrating the ability to improve sample quality and explicitly target Pareto optimality based on the theory of Markov chains. The first problem does so for a transfer in the Jupiter-Europa circular restricted three-body problem, where the MCMC approach completes a partial Pareto front. The second problem demonstrates how a dense and superior Pareto front can be generated by the MCMC self-supervised fine-tuning method for a Saturn-Titan transfer starting from the Jupiter-Europa case versus a separate dedicated global search.
- Abstract（参考訳）: 間接的手法による長期低推力宇宙船軌道のグローバル探索と最適化は、複雑な解空間とコスト変数に対する優れた初期推定を生成することの難しさにより困難である。
これは多体環境において特に当てはまる。
部分的パレート最適フロントを明らかにするデータを考えると、パレートフロントが完成し、関連する軌道問題に対するフロントが発見できるフレキシブルな方法を見つけることが望ましい。
本研究では,最適軌道解の分布を表現するために条件拡散モデルを用いる。
次に,マルコフ・チェイン・モンテカルロアルゴリズムと自己教師型微調整を併用して,上記の目標を達成するという,新しい手法を紹介する。
具体的には、ランダムウォークメトロポリスアルゴリズムを用いて、制約違反やミッション目的関数の効率的な評価に基づいて、報酬重み付きトレーニングを用いて拡散モデルを微調整できる新しいデータを提案する。
このフレームワークは、個別に集中し、しばしば面倒なデータ生成フェーズの必要性を取り除く。
マルコフ連鎖の理論に基づいて,サンプル品質を改善し,パレート最適性を明示的に目標とする能力を示す2つの問題について,数値解析実験を行った。
最初の問題は、ジュピター・エウロパの円形に制限された3体問題において、MCMCのアプローチが部分的なパレートを完備するものである。
第2の問題は、ジュピター・エウロパのケースから始まる土星-タイタンの移動をMCMCの自己監督的な微調整法によって、より高密度で優れたパレートフロントがどうやって生成されるかを示すものである。
関連論文リスト
- Steering Large Agent Populations using Mean-Field Schrodinger Bridges with Gaussian Mixture Models [13.03355083378673]
Mean-Field Schrodinger Bridge (MFSB) 問題は、最小の作業制御ポリシーを見つけることを目的とした最適化問題である。
マルチエージェント制御の文脈において、目的は同一の相互作用する協調エージェントの群の構成を制御することである。
論文 参考訳（メタデータ） (2025-03-31T04:01:04Z) - Global Search for Optimal Low Thrust Spacecraft Trajectories using Diffusion Models and the Indirect Method [0.0]
長周期の低推力非線形最適宇宙船軌道グローバルサーチは、計算的かつ時間的に高価な問題である。
生成機械学習モデルは、条件パラメータに関して、ソリューション構造がどのように変化するかを学ぶために訓練することができる。
最先端拡散モデルは、グローバル検索フレームワーク内での軌道最適化のための間接的アプローチと統合される。
論文 参考訳（メタデータ） (2025-01-13T01:49:17Z) - Multi-Agent Path Finding in Continuous Spaces with Projected Diffusion Models [57.45019514036948]
MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題である。
連続空間におけるMAPFの拡散モデルと制約付き最適化を統合する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-12-23T21:27:19Z) - 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) - CoSIGN: Few-Step Guidance of ConSIstency Model to Solve General INverse Problems [3.3969056208620128]
我々は, 高い復元品質を維持しつつ, 推論ステップの境界を1-2 NFEに推し進めることを提案する。
本手法は拡散型逆問題解法における新しい最先端技術を実現する。
論文 参考訳（メタデータ） (2024-07-17T15:57:50Z) - Generalized Schrödinger Bridge Matching [54.171931505066]
一般化Schr"odinger Bridge (GSB) 問題設定は、機械学習の内外を問わず、多くの科学領域で一般的である。
我々は最近の進歩に触発された新しいマッチングアルゴリズムである一般化シュリンガーブリッジマッチング(GSBM)を提案する。
このような一般化は条件最適制御の解法として、変分近似を用いることができることを示す。
論文 参考訳（メタデータ） (2023-10-03T17:42:11Z) - Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。
本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
論文 参考訳（メタデータ） (2023-07-17T07:12:29Z) - Score-based Generative Neural Networks for Large-Scale Optimal Transport [15.666205208594565]
場合によっては、最適な輸送計画は、ソースサポートからターゲットサポートへの1対1のマッピングの形を取る。
代わりに、ソースとターゲット分布のカップリングを解いた最適輸送の正規化形態であるシンクホーン問題について検討する。
本稿では,2つの分布間のシンクホーン結合をスコアベース生成モデルで学習するための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-10-07T07:45:39Z) - Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。
このアプローチは多くの実装と最適化の課題をもたらします。
提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
論文 参考訳（メタデータ） (2021-03-18T14:26:26Z) - Joint Wasserstein Distribution Matching [89.86721884036021]
JDM問題(Joint Distribution matching)は、2つのドメインの関節分布を一致させるために双方向マッピングを学習することを目的としており、多くの機械学習およびコンピュータビジョンアプリケーションで発生している。
2つの領域における関節分布のワッサーシュタイン距離を最小化することにより、JDM問題に対処することを提案する。
そこで我々は,難解な問題を簡単な最適化問題に還元する重要な定理を提案し,その解法を開発した。
論文 参考訳（メタデータ） (2020-03-01T03:39:00Z)
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。