論文の概要: On the Collapse of Generative Paths: A Criterion and Correction for Diffusion Steering

• arxiv url: http://arxiv.org/abs/2512.10339v1
• Date: Thu, 11 Dec 2025 06:44:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.227253
• Title: On the Collapse of Generative Paths: A Criterion and Correction for Diffusion Steering
• Title（参考訳）: 生成経路の崩壊について:拡散ステアリングの基準と補正
• Authors: Ziseok Lee, Minyeong Hwang, Sanghyun Jo, Wooyeol Lee, Jihyung Ko, Young Bin Park, Jae-Mun Choi, Eunho Yang, Kyungsu Kim,
• Abstract要約: インタイムステアリングにより、事前トレーニングされた拡散/フローモデルを、再トレーニングせずに新しいタスクに適合させることができる。 この構造には批判的かつ以前は形式化されていなかった障害モード(Marginal Path Collapse)がある。 本稿では,Feynman-Kac ステアリングを時間変化指数に拡張する Adaptive path Correction with Exponents (ACE) を提案する。
• 参考スコア（独自算出の注目度）: 29.633206995806542
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inference-time steering enables pretrained diffusion/flow models to be adapted to new tasks without retraining. A widely used approach is the ratio-of-densities method, which defines a time-indexed target path by reweighting probability-density trajectories from multiple models with positive, or in some cases, negative exponents. This construction, however, harbors a critical and previously unformalized failure mode: Marginal Path Collapse, where intermediate densities become non-normalizable even though endpoints remain valid. Collapse arises systematically when composing heterogeneous models trained on different noise schedules or datasets, including a common setting in molecular design where de-novo, conformer, and pocket-conditioned models must be combined for tasks such as flexible-pose scaffold decoration. We provide a novel and complete solution for the problem. First, we derive a simple path existence criterion that predicts exactly when collapse occurs from noise schedules and exponents alone. Second, we introduce Adaptive path Correction with Exponents (ACE), which extends Feynman-Kac steering to time-varying exponents and guarantees a valid probability path. On a synthetic 2D benchmark and on flexible-pose scaffold decoration, ACE eliminates collapse and enables high-guidance compositional generation, improving distributional and docking metrics over constant-exponent baselines and even specialized task-specific scaffold decoration models. Our work turns ratio-of-densities steering with heterogeneous experts from an unstable heuristic into a reliable tool for controllable generation.
• Abstract（参考訳）: 推論時ステアリングにより、事前トレーニングされた拡散/フローモデルを、再トレーニングせずに新しいタスクに適合させることができる。 広く使われているアプローチは密度比法であり、正あるいは負の指数を持つ複数のモデルから確率密度軌道を重み付けすることで、時間インデクシングされた目標経路を定義する。 しかし、この構造には批判的かつ以前は形式化されていなかった障害モードがある: Marginal Path Collapse、エンドポイントが有効であっても中間密度が正規化不可能になる。 崩壊は、異なるノイズスケジュールやデータセットに基づいて訓練された異種モデルを構成する際に体系的に発生し、例えば分子設計において、フレキシブルな足場装飾のようなタスクのためにデノボ、コンフォーマー、ポケットコンディショナーモデルを組み合わせる必要がある。 私たちはその問題に対して新しく完全な解決策を提供する。 まず,ノイズスケジュールと指数のみによる崩壊の発生を正確に予測する簡単な経路存在基準を導出する。 第2に,Feynman-Kac ステアリングを時間変化指数に拡張し,有効な確率経路を保証する適応経路補正(ACE)を導入する。 合成2Dベンチマークとフレキシブルな足場装飾では、ACEは崩壊を排除し、高ガイダンスの合成生成を可能にし、定数ベースライン上の分布とドッキングのメトリクスを改善し、タスク固有の足場装飾モデルまでも改善する。 我々の研究は、不安定なヒューリスティックから不均一な専門家との比重を制御可能な生成のための信頼できるツールに変える。

関連論文リスト

• Worst-case generation via minimax optimization in Wasserstein space [19.645939141861543]
  最悪のケース生成は、分散シフト下でのロバストネスとストレステストシステムを評価する上で重要な役割を果たす。 我々は,所定のリスクに対する最悪のケース生成のための生成モデリングフレームワークを開発する。
  論文  参考訳（メタデータ） (2025-12-09T02:11:08Z)
• FlowPath: Learning Data-Driven Manifolds with Invertible Flows for Robust Irregularly-sampled Time Series Classification [14.643457217551484]
  本研究では,制御経路の幾何学を可逆的ニューラルフローで学習する新しいアプローチであるFlowPathを提案する。 FlowPathは、固定補間体や非可逆アーキテクチャを用いて、ベースライン上の分類精度の統計的に有意な向上を実現していることを示す。
  論文  参考訳（メタデータ） (2025-11-13T22:59:26Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Latent Iterative Refinement Flow: A Geometric-Constrained Approach for Few-Shot Generation [5.062604189239418]
  少ショット生成に対する新しいアプローチであるLIRF(Latent Iterative Refinement Flow)を導入する。 LIRFは,新しいtextbfmanifold保存損失をトレーニングしたオートエンコーダを用いて,安定な潜伏空間を確立する。 このサイクルの中で、候補サンプルは幾何的テクスチャ補正演算子によって洗練される。
  論文  参考訳（メタデータ） (2025-09-24T08:57:21Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Towards Continual Learning Desiderata via HSIC-Bottleneck Orthogonalization and Equiangular Embedding [55.107555305760954]
  本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。 提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
  論文  参考訳（メタデータ） (2024-01-17T09:01:29Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Non-adversarial training of Neural SDEs with signature kernel scores [4.721845865189578]
  不規則な時系列生成のための最先端性能は、これらのモデルをGANとして逆向きに訓練することで既に得られている。 本稿では,シグネチャカーネルに基づくパス空間のスコアリングルールを新たに導入する。
  論文  参考訳（メタデータ） (2023-05-25T17:31:18Z)
• Stochastic Interpolants: A Unifying Framework for Flows and Diffusions [18.299322342860517]
  フローベースおよび拡散ベースを統一する生成モデルのクラスを紹介する。 これらのモデルは、Albergo と VandenEijnden (2023) で提案されたフレームワークを拡張し、インターポーラントと呼ばれる広範囲の連続時間プロセスの使用を可能にした。
  論文  参考訳（メタデータ） (2023-03-15T17:43:42Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)

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。