論文の概要: A Universal Avoidance Method for Diverse Multi-branch Generation

• arxiv url: http://arxiv.org/abs/2604.17323v1
• Date: Sun, 19 Apr 2026 08:31:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.464504
• Title: A Universal Avoidance Method for Diverse Multi-branch Generation
• Title（参考訳）: 広帯域マルチブランチ生成のためのユニバーサル回避法
• Authors: Kyeongman Park, Minha Jhang, Kyomin Jung,
• Abstract要約: 本稿では,モデルに依存しない,計算的に効率的な生成戦略であるUAGを紹介した。 実験では,本手法は最大1.9倍の多様性を実現し,4.4倍の高速動作を実現し,最先端手法に比べてFLOPの1/64しか必要としない。
• 参考スコア（独自算出の注目度）: 19.140089150400996
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern generative models still lack human-level creativity, particularly in multi-branch diversity. Prior approaches to address this problem often incur heavy computation or strong dependency on model architecture. Therefore, we introduce UAG(Universal Avoidance Generation), a model-agnostic and computationally efficient generation strategy that penalizes similarity among previously generated outputs. Thus, UAG can enhance multi-branch diversity across both diffusion and transformer models, with minimal additional computation. In experiments, our method achieves up to 1.9 times higher diversity, runs 4.4 times faster, and requires only 1/64 of the FLOPs compared to state-of-the-art methods. The full code is https://anonymous.4open.science/r/2026_ACL_Universal/.
• Abstract（参考訳）: 現代の生成モデルは、特にマルチブランチの多様性において、人間レベルの創造性を欠いている。 この問題に対処する以前のアプローチは、しばしば重い計算やモデルアーキテクチャへの強い依存を引き起こします。 そこで本研究では,従来生成した出力間の類似性を罰するモデルに依存しない,計算的に効率的な生成戦略であるUAG(Universal Avoidance Generation)を導入する。 したがって、UAGは拡散モデルと変圧器モデルの両方にわたるマルチブランチの多様性を最小限の計算量で向上させることができる。 実験では,本手法は最大1.9倍の多様性を実現し,4.4倍の高速動作を実現し,最先端手法に比べてFLOPの1/64しか必要としない。 完全なコードはhttps://anonymous.4open.science/r/2026_ACL_Universal/である。

関連論文リスト

• SAVE: A Generalizable Framework for Multi-Condition Single-Cell Generation with Gene Block Attention [10.404186274295222]
  SAVEは単一セルモデリングのための条件変換器に基づく統一的な生成フレームワークである。 条件生成,バッチ効果補正,摂動予測など,様々なベンチマークでSAVEを評価した。 Saveは、複雑なシングルセルデータをモデリングするためのスケーラブルで汎用的なソリューションを提供する。
  論文  参考訳（メタデータ） (2026-04-18T01:45:16Z)
• When Exploration Comes for Free with Mixture-Greedy: Do we need UCB in Diversity-Aware Multi-Armed Bandits? [18.528635656824864]
  明示的な UCB 型最適化を伴わない簡単な emphMixture-Greedy 戦略はより高速に収束し,より優れた性能が得られることを示す。 透明な構造条件下では、多様性を意識した目的は内部混合物を好んで暗黙的な探索を引き起こす。 これらの結果は,多様性を意識したモデル選択のためのマルチアーム帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状帯状
  論文  参考訳（メタデータ） (2026-03-23T08:59:45Z)
• Diversity Has Always Been There in Your Visual Autoregressive Models [78.27363151940996]
  Visual Autoregressive (VAR)モデルは、最近、革新的な次世代の予測パラダイムに対して大きな注目を集めている。 それらの効率にもかかわらず、VARモデルは、数段階の蒸留拡散モデルで観察されたような多様性の崩壊に悩まされることが多い。 本稿では、VARモデルの生成多様性を、追加のトレーニングを必要とせずに復元する、シンプルで効果的なアプローチであるDiverse VARを紹介する。
  論文  参考訳（メタデータ） (2025-11-21T09:24:09Z)
• MolSnap: Snap-Fast Molecular Generation with Latent Variational Mean Flow [13.401822039640297]
  分子グラフトークンとテキスト命令を共同で符号化するCausality-Aware Transformer(CAT)を導入する。 また,既存のフローベース手法を一般化する変分平均流(VMF)フレームワークを開発した。 我々のモデルは最先端のベースラインを上回り、より高い新規性(74.5%まで)、多様性(70.3%まで)、全データセットの100%の妥当性を達成する。
  論文  参考訳（メタデータ） (2025-08-07T14:04:12Z)
• Derivative-Free Guidance in Continuous and Discrete Diffusion Models with Soft Value-Based Decoding [84.3224556294803]
  拡散モデルは、画像、分子、DNA、RNA、タンパク質配列の自然なデザイン空間を捉えるのに優れている。 これらの設計空間の自然性を保ちながら、下流の報酬関数を最適化することを目指している。 提案アルゴリズムは,中間雑音状態が将来高い報酬をもたらすことの先駆けとして,ソフトバリュー関数を統合する。
  論文  参考訳（メタデータ） (2024-08-15T16:47:59Z)
• HierarchyFL: Heterogeneous Federated Learning via Hierarchical Self-Distillation [12.409497615805797]
  フェデレートラーニング(FL)は、プライバシ保護の分散機械学習パラダイムとして認識されている。 FLは、AIoTデバイスのモデル不均一性により、モデル不正確性と緩やかな収束に悩まされる。 我々は、少数の公開データを効率よくスケーラブルな知識に利用する、HierarchyFLという効率的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-05T03:32:10Z)

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。