論文の概要: Distributional Multi-objective Black-box Optimization for Diffusion-model Inference-time Multi-Target Generation

• arxiv url: http://arxiv.org/abs/2510.26278v1
• Date: Thu, 30 Oct 2025 09:00:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.729725
• Title: Distributional Multi-objective Black-box Optimization for Diffusion-model Inference-time Multi-Target Generation
• Title（参考訳）: 拡散モデル推論時マルチターゲット生成のための分布多目的ブラックボックス最適化
• Authors: Kim Yong Tan, Yueming Lyu, Ivor Tsang, Yew-Soon Ong,
• Abstract要約: Inference-time Multi-target Generation (IMG) アルゴリズムを提案する。 具体的には,IMGの拡散生成過程における重み付け再サンプリングを行う。 実験により、IGGは単一の世代パスしか必要とせず、ベースライン最適化アルゴリズムよりもはるかに高いハイパーボリュームを実現することが示された。
• 参考スコア（独自算出の注目度）: 42.27623008321844
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models have been successful in learning complex data distributions. This capability has driven their application to high-dimensional multi-objective black-box optimization problem. Existing approaches often employ an external optimization loop, such as an evolutionary algorithm, to the diffusion model. However, these approaches treat the diffusion model as a black-box refiner, which overlooks the internal distribution transition of the diffusion generation process, limiting their efficiency. To address these challenges, we propose the Inference-time Multi-target Generation (IMG) algorithm, which optimizes the diffusion process at inference-time to generate samples that simultaneously satisfy multiple objectives. Specifically, our IMG performs weighted resampling during the diffusion generation process according to the expected aggregated multi-objective values. This weighted resampling strategy ensures the diffusion-generated samples are distributed according to our desired multi-target Boltzmann distribution. We further derive that the multi-target Boltzmann distribution has an interesting log-likelihood interpretation, where it is the optimal solution to the distributional multi-objective optimization problem. We implemented IMG for a multi-objective molecule generation task. Experiments show that IMG, requiring only a single generation pass, achieves a significantly higher hypervolume than baseline optimization algorithms that often require hundreds of diffusion generations. Notably, our algorithm can be viewed as an optimized diffusion process and can be integrated into existing methods to further improve their performance.
• Abstract（参考訳）: 拡散モデルは複雑なデータ分布の学習に成功している。 この能力は、高次元多目的ブラックボックス最適化問題に応用を誘導した。 既存のアプローチでは、進化的アルゴリズムのような外部最適化ループを拡散モデルに適用することが多い。 しかし、これらの手法は拡散モデルをブラックボックス精製器として扱い、拡散生成過程の内部分布遷移を見越して効率を制限している。 これらの課題に対処するために、推論時の拡散過程を最適化し、複数の目的を同時に満たすサンプルを生成する推論時マルチターゲット生成(IMG)アルゴリズムを提案する。 具体的には,IMGの拡散生成過程における重み付け再サンプリングを行う。 この重み付き再サンプリング戦略は, 所望の多ターゲットボルツマン分布に従って拡散生成サンプルが分散されることを保証する。 さらに、多目的ボルツマン分布は、分布多目的最適化問題に対する最適解である、興味深い対数類似の解釈を持つことを導出する。 我々は多目的分子生成タスクにIMGを実装した。 実験により、ICGは単一の世代パスしか必要とせず、数百の拡散世代を必要とするベースライン最適化アルゴリズムよりもはるかに高いハイパーボリュームを実現することが示された。 特に,我々のアルゴリズムは最適化された拡散過程と見なすことができ,既存の手法に統合して性能をさらに向上させることができる。

関連論文リスト

• Discrete Diffusion Trajectory Alignment via Stepwise Decomposition [80.66701883088935]
  離散拡散モデルに対する軌道アライメントにアプローチするオフライン選好最適化法を提案する。 問題をステップ毎の後部をマッチングすることにより、段階的にアライメントする目的の集合に分解する。 DNA配列設計、タンパク質の逆フォールディング、言語モデリングを含む複数の領域にわたる実験は、我々のアプローチの優位性を一貫して示している。
  論文  参考訳（メタデータ） (2025-07-07T09:52:56Z)
• Test-time Alignment of Diffusion Models without Reward Over-optimization [8.981605934618349]
  拡散モデルは生成的タスクにおいて優れているが、特定の目的とそれらを整合させることは依然として困難である。 そこで本研究では,SMC(Sequential Monte Carlo)をベースとした学習自由なテスト時間手法を提案する。 単一逆最適化、多目的シナリオ、オンラインブラックボックス最適化において、その効果を実証する。
  論文  参考訳（メタデータ） (2025-01-10T09:10:30Z)
• DiffSG: A Generative Solver for Network Optimization with Diffusion Model [75.27274046562806]
  生成拡散モデルは、様々なクロスドメインアプリケーションで人気がある。 これらのモデルは複雑なネットワーク最適化問題に対処する上で有望である。 本稿では拡散モデルに基づく解生成という,拡散モデル生成のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-13T07:56:21Z)
• Understanding Reinforcement Learning-Based Fine-Tuning of Diffusion Models: A Tutorial and Review [63.31328039424469]
  このチュートリアルは、下流の報酬関数を最適化するための微調整拡散モデルのための方法を網羅的に調査する。 PPO,微分可能最適化,報酬重み付きMLE,値重み付きサンプリング,経路整合性学習など,様々なRLアルゴリズムの適用について説明する。
  論文  参考訳（メタデータ） (2024-07-18T17:35:32Z)
• 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)
• Where to Diffuse, How to Diffuse, and How to Get Back: Automated Learning for Multivariate Diffusions [22.04182099405728]
  拡散に基づく生成モデル(DBGM)は、ターゲット雑音分布に摂動データを変換し、この推論拡散過程を逆にしてサンプルを生成する。 補助変数の数に対して、低いバウンドを最大化する方法を示す。 次に,特定対象雑音分布の拡散をパラメータ化する方法を示す。
  論文  参考訳（メタデータ） (2023-02-14T18:57:04Z)

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。