論文の概要: Search-Augmented Masked Diffusion Models for Constrained Generation

• arxiv url: http://arxiv.org/abs/2602.02727v1
• Date: Mon, 02 Feb 2026 19:43:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.043149
• Title: Search-Augmented Masked Diffusion Models for Constrained Generation
• Title（参考訳）: 制約生成のための探索強化仮設拡散モデル
• Authors: Huu Binh Ta, Michael Cardei, Alvaro Velasquez, Ferdinando Fioretto,
• Abstract要約: Search-Augmented Masked Diffusion (SearchDiff)は、インフォメーションサーチを直接リバース・デノイング・プロセスに統合するトレーニング不要なニューロシンボリック推論フレームワークである。 SearchDiffは制約満足度とプロパティの定着性を大幅に改善し、離散拡散と自己回帰ベースラインを一貫して上回る。
• 参考スコア（独自算出の注目度）: 47.47350674873298
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Discrete diffusion models generate sequences by iteratively denoising samples corrupted by categorical noise, offering an appealing alternative to autoregressive decoding for structured and symbolic generation. However, standard training targets a likelihood-based objective that primarily matches the data distribution and provides no native mechanism for enforcing hard constraints or optimizing non-differentiable properties at inference time. This work addresses this limitation and introduces Search-Augmented Masked Diffusion (SearchDiff), a training-free neurosymbolic inference framework that integrates informed search directly into the reverse denoising process. At each denoising step, the model predictions define a proposal set that is optimized under a user-specified property satisfaction, yielding a modified reverse transition that steers sampling toward probable and feasible solutions. Experiments in biological design and symbolic reasoning illustrate that SearchDiff substantially improves constraint satisfaction and property adherence, while consistently outperforming discrete diffusion and autoregressive baselines.
• Abstract（参考訳）: 離散拡散モデルは、分類的ノイズによって劣化したサンプルを反復的に復調することでシーケンスを生成し、構造化およびシンボル生成のための自己回帰復号の魅力的な代替手段を提供する。 しかし、標準トレーニングは、主にデータ分布と一致し、ハード制約を強制したり、推論時に微分不可能なプロパティを最適化するためのネイティブメカニズムを提供しない可能性に基づく目標をターゲットにしている。 この研究は、この制限に対処し、インフォメーション検索を直接逆復調処理に統合するトレーニング不要なニューロシンボリック推論フレームワークである Search-Augmented Masked Diffusion (SearchDiff)を導入している。 各段階において、モデル予測は、ユーザが指定したプロパティ満足度の下で最適化された提案セットを定義し、確率的で実現可能なソリューションに向けてサンプリングする修正されたリバーストランジションを生成する。 生物学的設計とシンボリック推論の実験では、サーチディフは制約満足度とプロパティの適合性を著しく改善し、離散拡散と自己回帰ベースラインを一貫して上回っている。

関連論文リスト

• Self-diffusion for Solving Inverse Problems [3.8870795921263728]
  我々は,事前学習された生成モデルに頼ることなく,逆問題を解決するための新しいフレームワークである自己拡散を提案する。 自己拡散はニューラルネットワークのスペクトルバイアスを利用して、スケジュールされたノイズプロセスを通じて変調する。 我々は, 線形逆問題に対するアプローチの有効性を実証し, 他の手法と比較して, 自己拡散が競争力や優れた性能を達成することを示す。
  論文  参考訳（メタデータ） (2025-10-24T12:57:22Z)
• Deterministic Discrete Denoising [0.0]
  マルコフ連鎖に基づく離散状態拡散モデルに対する決定論的分解アルゴリズムを提案する。 生成逆過程は、弱いカオス的ダイナミクスを持つハーディングアルゴリズムの変種を導入することによりデランドマイズされる。 連続拡散において確立された決定論的逆過程は離散状態空間においても有効であることを示す。
  論文  参考訳（メタデータ） (2025-09-25T08:30:58Z)
• Simple and Critical Iterative Denoising: A Recasting of Discrete Diffusion in Graph Generation [0.0]
  中間ノイズ状態間の依存関係は、逆ノイズ化プロセス中にエラーの蓄積と伝播を引き起こす。 本稿では, 離散拡散を単純化し, 問題を回避し, 簡易反復分解という新しい枠組みを提案する。 実験により,提案手法はグラフ生成タスクにおいて既存の離散拡散ベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-03-27T15:08:58Z)
• Beyond Fixed Horizons: A Theoretical Framework for Adaptive Denoising Diffusions [1.9116784879310031]
  本稿では, ノイズ発生過程とノイズ発生過程の両方において, 時間均質な構造を実現する新しい生成拡散モデルを提案する。 モデルの主な特徴は、ターゲットデータへの適応性であり、事前訓練された無条件生成モデルを使用して、様々な下流タスクを可能にする。
  論文  参考訳（メタデータ） (2025-01-31T18:23:27Z)
• Denoising Diffusion Variational Inference: Diffusion Models as Expressive Variational Posteriors [11.01598521921903]
  DDVIは潜在変数モデルのためのブラックボックス変分推論アルゴリズムである。 拡散に基づく変動後肢の表現型クラスを導入する。 我々はこれらの後部を、新しい規則化された証拠を低い境界で訓練する。
  論文  参考訳（メタデータ） (2024-01-05T10:27:44Z)
• 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 Denoising Diffusion for Sequential Recommendation [62.127862728308045]
  GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。 本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T15:32:59Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)

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。