論文の概要: Improved Constrained Generation by Bridging Pretrained Generative Models

• arxiv url: http://arxiv.org/abs/2603.06742v1
• Date: Fri, 06 Mar 2026 08:44:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:13.014108
• Title: Improved Constrained Generation by Bridging Pretrained Generative Models
• Title（参考訳）: 制約付き生成モデルのブリッジ化による制約付き生成の改善
• Authors: Xiaoxuan Liang, Saeid Naderiparizi, Yunpeng Liu, Berend Zwartsenberg, Frank Wood,
• Abstract要約: 提案する制約付き生成フレームワークは,実現可能な領域内でサンプルを直接生成する。 提案手法は,事前学習した生成モデルを微調整し,生成の忠実さを維持しながら制約を強制する。
• 参考スコア（独自算出の注目度）: 18.339983961659133
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Constrained generative modeling is fundamental to applications such as robotic control and autonomous driving, where models must respect physical laws and safety-critical constraints. In real-world settings, these constraints rarely take the form of simple linear inequalities, but instead complex feasible regions that resemble road maps or other structured spatial domains. We propose a constrained generation framework that generates samples directly within such feasible regions while preserving realism. Our method fine-tunes a pretrained generative model to enforce constraints while maintaining generative fidelity. Experimentally, our method exhibits characteristics distinct from existing fine-tuning and training-free constrained baselines, revealing a new compromise between constraint satisfaction and sampling quality.
• Abstract（参考訳）: 制約付き生成モデル(Constrained Generative Modeling)は、ロボット制御や自律運転などの応用に基本的であり、モデルが物理法則や安全クリティカルな制約を尊重しなければならない。 実世界の環境では、これらの制約は単純な線形不等式ではなく、道路地図や他の構造化空間領域に似た複雑な実現可能な領域の形式を取ることは滅多にない。 本稿では,現実性を維持しつつ,そのような実現可能な領域内でサンプルを直接生成する制約付き生成フレームワークを提案する。 提案手法は,事前学習した生成モデルを微調整し,生成の忠実さを維持しながら制約を強制する。 提案手法は,既存の微調整とトレーニング不要な制約付きベースラインとは異なる特性を示し,制約満足度とサンプリング品質の新たな妥協点を明らかにした。

関連論文リスト

• Adaptive Neighborhood-Constrained Q Learning for Offline Reinforcement Learning [52.03884701766989]
  オフライン強化学習(RL)アルゴリズムは、通常、アクション選択に制約を課す。 本稿では,Bellmanターゲットにおける行動選択を,データセットアクションの近傍の結合に制限する新しい地区制約を提案する。 我々は,この制約を満たす目標動作を用いてQ学習を行うための,単純で効果的なアルゴリズムであるAdaptive Neighborhood-Constrained Q Learning(ANQ)を開発した。
  論文  参考訳（メタデータ） (2025-11-04T13:42:05Z)
• Steerable Adversarial Scenario Generation through Test-Time Preference Alignment [58.37104890690234]
  対立シナリオ生成は、自律運転システムの安全性評価のためのコスト効率の良いアプローチである。 textbfSteerable textbfAdversarial scenario textbfGEnerator (SAGE) という新しいフレームワークを導入する。 SAGEは、逆境とリアリズムの間のトレードオフを、再トレーニングなしできめ細かいテストタイムコントロールを可能にします。
  論文  参考訳（メタデータ） (2025-09-24T13:27:35Z)
• 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)
• Constrained Machine Learning Through Hyperspherical Representation [4.129133569151574]
  凸領域と有界領域の出力空間における制約を強制する新しい手法を提案する。 提案手法は,他の手法に匹敵する予測性能を有し,制約満足度を100%保証し,推論時の計算コストを最小限に抑える。
  論文  参考訳（メタデータ） (2025-04-11T10:19:49Z)
• Constrained Discrete Diffusion [61.81569616239755]
  本稿では,拡散過程における微分可能制約最適化の新たな統合であるCDD(Constrained Discrete Diffusion)を紹介する。 CDDは直接、離散拡散サンプリングプロセスに制約を課し、トレーニング不要で効果的なアプローチをもたらす。
  論文  参考訳（メタデータ） (2025-03-12T19:48:12Z)
• Training-Free Constrained Generation With Stable Diffusion Models [41.391765899175276]
  安定拡散モデルは、様々な領域にまたがるデータ合成における最先端のモデルである。 既存のテクニックは、遅延拡散フレームワークの適用性に制限されるか、ドメイン固有の制約を厳格に強制する能力に欠ける。 本稿では, 安定拡散モデルと制約付き最適化フレームワークとの新たな統合を提案し, 厳密な物理的および機能的要求を満たす出力の生成を可能にする。
  論文  参考訳（メタデータ） (2025-02-08T16:11:17Z)
• Diffusion Predictive Control with Constraints [51.91057765703533]
  拡散予測制御(Diffusion predictive control with constraints,DPCC)は、拡散に基づく制御のアルゴリズムである。 DPCCは,新しいテスト時間制約を満たすために,既存の手法よりも優れた性能を示すロボットマニピュレータのシミュレーションを通して示す。
  論文  参考訳（メタデータ） (2024-12-12T15:10:22Z)
• Few Shot Generative Model Adaption via Relaxed Spatial Structural Alignment [130.84010267004803]
  限られたデータでGAN(Generative Adversarial Network)を訓練することは難しい課題である。 実現可能な解決策は、大規模なソースドメインで十分に訓練されたGANから始め、ターゲットドメインにいくつかのサンプルで適応することである。 本研究では,適応時の対象生成モデルのキャリブレーションを行うための緩和された空間構造アライメント手法を提案する。
  論文  参考訳（メタデータ） (2022-03-06T14:26:25Z)

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。