論文の概要: Inference-Time Attribute Distribution Alignment for Unconditional Diffusion

• arxiv url: http://arxiv.org/abs/2605.07456v1
• Date: Fri, 08 May 2026 09:02:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.93476
• Title: Inference-Time Attribute Distribution Alignment for Unconditional Diffusion
• Title（参考訳）: 非条件拡散のための推定時間属性分布アライメント
• Abstract要約: 我々は、事前訓練された非条件拡散モデルに対する推論時属性分布アライメント問題を定式化する。 そこで本研究では,逆拡散過程に対する最適制御問題として,推定時属性分布アライメントを適用した。 最適制御に基づくアルゴリズムを用いて分散マッチングの最適化を行う。
• 参考スコア（独自算出の注目度）: 54.28942858023809
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inference-time controllable generation is essential for real-world applications of unconditional diffusion models. However, most existing techniques focus on individual samples, struggling in applications that require the sample population to follow specific attribute distributions (e.g., demographic balance or semantic proportions). We formalize this setting as the inference-time attribute distributional alignment problem for pretrained unconditional diffusion models. To address this, we cast inference-time attribute distributional alignment as an optimal control problem over the reverse diffusion process, viewing the process as the rollout of a dynamical system and augmenting it with additive, time-dependent perturbations as control. We solve for the perturbations using an optimal-control-based algorithm to optimize a differentiable distribution-matching objective while penalizing control effort to preserve data fidelity. Experiment results in image generation demonstrate that our proposed plug-and-play approach can better align attribute distributions to diverse and flexible test-time targets compared to baselines, without retraining or finetuning the pretrained diffusion model.
• Abstract（参考訳）: 非条件拡散モデルの現実的な応用には、推論時制御可能生成が不可欠である。 しかし、既存のほとんどの技術は個々のサンプルに焦点を当てており、サンプル人口が特定の属性分布(例えば、人口動態のバランスや意味比率)に従う必要があるアプリケーションに苦慮している。 我々は、事前訓練された非条件拡散モデルに対する推論時属性分布アライメント問題として、この設定を定式化する。 そこで我々は,逆拡散過程に対する最適制御問題として推論時属性分布アライメントを導入し,その過程を動的システムのロールアウトと見なし,加法的時間依存摂動を制御として拡張した。 最適制御に基づくアルゴリズムを用いて摂動を解き、分散マッチングの目的を最適化し、データ忠実性を維持するための制御をペナルティ化する。 画像生成実験の結果,提案手法は,事前学習した拡散モデルの再学習や微調整を行わずに,特性分布をベースラインよりも多様で柔軟なテスト時間目標に整合させることができることを示した。

関連論文リスト

• Accelerating Speculative Diffusions via Block Verification [77.23389794645801]
  投機的復号化は、トークンを生成するためにドラフトモデルを使用することでLLM推論を高速化する。 既存の拡散適応は非効率的なサンプリング技術を使うか、代替のスキームに依存する。 本稿では,拡散モデルに対して,従来の投機的サンプリング機構を効率的に実装する新しい手法を提案する。
  論文  参考訳（メタデータ） (2026-06-11T14:54:13Z)
• Inference-Time Scaling in Diffusion Models through Iterative Partial Refinement [22.349959761835468]
  推論時間のスケーリングは、推論能力を改善するための主要なアプローチとして現れています。 逐次拡散のための推論時間スケーリング手法である反復部分分極(IPR)を提案する。 IPRは外部認証なしでよりグローバルに一貫したサンプルを生成する。
  論文  参考訳（メタデータ） (2026-05-19T03:53:50Z)
• Training-Free Distribution Adaptation for Diffusion Models via Maximum Mean Discrepancy Guidance [17.353524034156205]
  MMD Guidanceは、生成したサンプルと参照データセットの間の最大平均離散度(MMD)の勾配で逆拡散プロセスを強化する。 当社のフレームワークは,製品カーネルによる条件付き生成モデルにおけるアクシデント対応に自然に拡張する。 合成および実世界のベンチマーク実験により、MDD Guidanceはサンプルの忠実さを保ちながら分布アライメントを達成できることが示されている。
  論文  参考訳（メタデータ） (2026-01-13T09:42:57Z)
• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• DS-Diffusion: Data Style-Guided Diffusion Model for Time-Series Generation [3.7098771725459336]
  時系列生成タスクのためのデータスタイル誘導拡散モデル(DS-Diffusion)を提案する。 DS-Diffusionは、条件付きガイダンスを導入するためにフレームワーク全体をトレーニングするのを避ける。 生成されたサンプルは、それらが発するデータスタイルを明確に示すことができる。
  論文  参考訳（メタデータ） (2025-09-23T03:06:39Z)
• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• Constrained Diffusion Models via Dual Training [80.03953599062365]
  拡散プロセスは、トレーニングデータセットのバイアスを反映したサンプルを生成する傾向がある。 所望の分布に基づいて拡散制約を付与し,制約付き拡散モデルを構築する。 本稿では,制約付き拡散モデルを用いて,目的と制約の最適なトレードオフを実現する混合データ分布から新しいデータを生成することを示す。
  論文  参考訳（メタデータ） (2024-08-27T14:25:42Z)
• Improved off-policy training of diffusion samplers [93.66433483772055]
  本研究では,非正規化密度やエネルギー関数を持つ分布からサンプルを抽出する拡散モデルの訓練問題について検討する。 シミュレーションに基づく変分法や非政治手法など,拡散構造推論手法のベンチマークを行った。 我々の結果は、過去の研究の主張に疑問を投げかけながら、既存のアルゴリズムの相対的な利点を浮き彫りにした。
  論文  参考訳（メタデータ） (2024-02-07T18:51:49Z)

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。