論文の概要: P-Guide: Parameter-Efficient Prior Steering for Single-Pass CFG Inference
- arxiv url: http://arxiv.org/abs/2605.06124v1
- Date: Thu, 07 May 2026 12:31:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-08 22:27:11.770484
- Title: P-Guide: Parameter-Efficient Prior Steering for Single-Pass CFG Inference
- Title（参考訳）: P-Guide:シングルパスCFG推論のためのパラメータ効率の良い先行ステアリング
- Authors: Xin Peng, Ang Gao,
- Abstract要約: 単一の推論パスを通じて高品質なガイダンスを実現するフレームワークである textbfP-Guide を導入する。
一階近似の下では、P-Guideは以前の空間から生成を操るという意味でCFGと等価である。
- 参考スコア（独自算出の注目度）: 7.28668585578288
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Classifier-Free Guidance (CFG) is essential for high-fidelity conditional generation in flow matching, yet it imposes significant computational overhead by requiring dual forward passes at each sampling step. In this work, we address this bottleneck by introducing \textbf{P-Guide}, a framework that achieves high-quality guidance through a single inference pass by modulating only the initial latent state. We further show that, under a first-order approximation, P-Guide is equivalent to CFG in the sense that it steers generation from the prior space, without requiring explicit velocity field extrapolation during sampling. We consider both homoscedastic and \textbf{heteroscedastic} priors, and find that jointly modeling the mean and variance enables adaptive loss attenuation and improved robustness to data uncertainty. Extensive experiments demonstrate that P-Guide reduces inference latency by approximately 50\% while maintaining fidelity and prompt alignment competitive with standard dual-pass CFG baselines.
- Abstract（参考訳）: 分類自由誘導(CFG)は,フローマッチングにおける高忠実度条件生成に不可欠であるが,サンプリングステップ毎に2つの前方通過を必要とすることにより,計算上のオーバーヘッドが大幅に増大する。
本研究では,初期潜伏状態のみを変調することにより,単一推論パスによる高品質なガイダンスを実現するフレームワークである‘textbf{P-Guide} を導入することで,このボトルネックに対処する。
さらに、一階近似の下では、P-Guideはサンプリング中に明示的な速度場外挿を必要とせず、前の空間から生成するという意味でCFGと等価であることを示す。
平均と分散を共同でモデル化することで、データの不確実性に対する適応的損失減衰とロバスト性の向上が期待できる。
広汎な実験により、P-Guideは、標準のデュアルパスCFGベースラインとの整合性を保ちながら、推論遅延を約50%削減することを示した。
関連論文リスト
- Improving Search Agent with One Line of Code [68.58667107354253]
ツールベースのエージェント強化学習(TARL)は,検索エージェントが外部ツールと対話できるようにトレーニングするための,有望なパラダイムとして登場した。
textbfSearch textbfAgent textbfPolicy textbfOptimization (textbfSAPO)を提案する。
論文 参考訳（メタデータ） (2026-03-10T04:07:39Z) - Sharp Convergence Rates for Masked Diffusion Models [53.117058231393834]
制約を克服するオイラー法に対する全変分に基づく解析法を開発した。
その結果、スコア推定の仮定を緩和し、パラメータ依存性を改善し、収束保証を確立する。
全体としては,CTMC軌道に沿った直接テレビによる誤り分解と,FHSのためのデカップリングに基づく経路解析を導入している。
論文 参考訳（メタデータ） (2026-02-26T00:47:51Z) - Improving Classifier-Free Guidance of Flow Matching via Manifold Projection [3.6087998976768128]
最適化のレンズによるCFGの原理的解釈を提供する。
CFGサンプリングを多様体制約によるホモトピー最適化として再構成する。
提案手法は, トレーニング不要かつ一貫した生成忠実度, 迅速なアライメント, ガイダンス尺度に対するロバスト性である。
論文 参考訳（メタデータ） (2026-01-29T15:49:31Z) - Token Perturbation Guidance for Diffusion Models [6.255435016547602]
Token Perturbation Guidance (TPG) は拡散ネットワーク内の中間トークン表現に直接行列を適用する新しい手法である。
TPGは訓練が不要で、入力条件に依存しないため、条件付きおよび条件なしの両方に容易に適用できる。
論文 参考訳（メタデータ） (2025-06-10T21:25:46Z) - Feedback Guidance of Diffusion Models [14.162420300295365]
Interval-Free Guidance (CFG) は, 条件付き拡散モデルにおける試料の忠実度向上の標準となっている。
本稿では,FBG(FeedBack Guidance)を提案する。
論文 参考訳（メタデータ） (2025-06-06T13:46:32Z) - Normalized Attention Guidance: Universal Negative Guidance for Diffusion Models [57.20761595019967]
注意空間にL1をベースとした正規化・精細化を施した,効率的かつトレーニング不要な機構である正規化注意誘導(NAG)を提案する。
NAGは、CFGが忠実性を維持しながら崩壊する効果的な負のガイダンスを復元する。
NAGはアーキテクチャ(UNet、DiT)、サンプリングレシスタンス(複数ステップ、複数ステップ)、モダリティ(イメージ、ビデオ)をまたいで一般化する
論文 参考訳（メタデータ） (2025-05-27T13:30:46Z) - On the Convergence of DP-SGD with Adaptive Clipping [56.24689348875711]
勾配クリッピングによるグラディエントDescentは、微分プライベート最適化を実現するための強力な技術である。
本稿では,量子クリッピング(QC-SGD)を用いたSGDの総合収束解析について述べる。
本稿では,QC-SGDが一定閾値クリッピングSGDに類似したバイアス問題にどのように悩まされているかを示す。
論文 参考訳（メタデータ） (2024-12-27T20:29:47Z)
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。