論文の概要: Regret Analysis of Guided Diffusion for Black-Box Optimization over Structured Inputs

• arxiv url: http://arxiv.org/abs/2605.10385v1
• Date: Mon, 11 May 2026 11:28:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.766917
• Title: Regret Analysis of Guided Diffusion for Black-Box Optimization over Structured Inputs
• Title（参考訳）: 構造化入力に対するブラックボックス最適化のための誘導拡散のレグレト解析
• Authors: Masaki Adachi, Anita Yang, Yakun Wang, Song Liu,
• Abstract要約: 我々は、ガイド付き拡散BOのための最初の証明書ベースの予測単純なフレームワークを開発した。 指数関数的な有限予算収束と加速度が同じメカニズムから生じることを示す。
• 参考スコア（独自算出の注目度）: 7.253259974600385
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Guided-diffusion black-box optimization (BO) has shown strong empirical performance on structured design problems such as molecules and crystals, but its regret behavior remains poorly understood. Existing BO regret analyses typically rely on maximum information gain, non-pretrained surrogate models, or exact acquisition maximization -- assumptions that break down in modern diffusion -- BO pipelines, where pretrained diffusion models serve as powerful priors over valid structures and acquisition maximization is replaced by approximate sampling over astronomically large discrete spaces. We develop a first certificate-based expected simple-regret framework for guided-diffusion BO that avoids maximum-information-gain bounds, RKHS assumptions, and exact acquisition maximization. The central quantity in our analysis is mass lift: the increase in probability mass assigned to near-optimal designs relative to the pretrained generator. This view explains how exponential-looking finite-budget convergence and polynomial acceleration can all arise from the same mechanism. We also give practical diagnostics for estimating search exponents from finite candidate pools and a proposal-corrected resampling construction that provides a fully certified sampler instance.
• Abstract（参考訳）: 誘導拡散ブラックボックス最適化(BO)は分子や結晶などの構造設計問題に対して強い経験的性能を示したが、その後悔の挙動はよく分かっていない。 既存のBO後悔分析は、通常、最大情報ゲイン、非事前学習サロゲートモデル、または正確な獲得最大化 -- 現代の拡散で崩壊する仮定 -- に依存する。 我々は,最大情報ゲイン境界,RKHS仮定,正確な取得最大化を回避するための,ガイド付き拡散BOのための最初の証明ベース予測単純回帰フレームワークを開発する。 この分析における中心的な量は、事前訓練された発電機に対して、ほぼ最適設計に割り当てられた確率質量の増加である。 この見解は、指数的に見える有限予算収束と多項式加速度が、すべて同じメカニズムから生じることを説明している。 また,有限候補プールから探索指数を推定するための実用的な診断手法と,完全認証サンプルインスタンスを提供する提案修正再サンプリング構成を提案する。

関連論文リスト

• 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)
• Verifier-Constrained Flow Expansion for Discovery Beyond the Data [39.65241651963903]
  フローと拡散モデルは通常、限られた利用可能なデータに基づいて事前訓練され、有効な設計空間のごく一部だけをカバーする。 これは科学的な発見アプリケーションの基本的制限であり、典型的には、利用可能なデータ分布を超えて有効な設計をサンプリングすることを目的としている。 本稿では,フロープロセスのノイズ状態空間上での検証式制約付きエントロピーにより,両問題に確実に対処するスケーラブルなミラー降下方式であるFlow Expander(FE)を提案する。
  論文  参考訳（メタデータ） (2026-02-17T20:20:38Z)
• Flow Density Control: Generative Optimization Beyond Entropy-Regularized Fine-Tuning [59.11663802446183]
  フローおよび拡散生成モデルは、事前情報を保持しながらタスク固有の目的を最適化するために適応することができる。 本研究では,フロー密度制御(FDC)を導入し,複雑な問題をより単純な微調整タスクの特定のシーケンスに還元する。 我々は,近年のミラーフローの理解を活用して,現実的な仮定の下で提案されたスキームの収束保証を導出する。
  論文  参考訳（メタデータ） (2025-11-27T17:19:01Z)
• Divergence Minimization Preference Optimization for Diffusion Model Alignment [66.31417479052774]
  Divergence Minimization Preference Optimization (DMPO) は、逆KL分散を最小化して拡散モデルを整列する原理的手法である。 DMPOは、異なるベースモデルとテストセットで既存のテクニックを一貫して上回り、適合させることができる。
  論文  参考訳（メタデータ） (2025-07-10T07:57:30Z)
• Supervised Optimism Correction: Be Confident When LLMs Are Sure [91.7459076316849]
  教師付き微調整とオフライン強化学習の間には,新たな理論的関係が確立されている。 広く使われているビームサーチ法は、許容できない過度な最適化に悩まされていることを示す。 本稿では,トークンレベル$Q$-value推定のための簡易かつ効果的な補助的損失を導入したSupervised Optimism Correctionを提案する。
  論文  参考訳（メタデータ） (2025-04-10T07:50:03Z)
• Bayesian Experimental Design via Contrastive Diffusions [2.2186678387006435]
  実験設計(BOED)は、一連の実験の実行コストを削減する強力なツールである。 コスト効率の良いサンプリング特性を持つプール勾配分布を導入し、新しいEIG式によるEIGコントラスト後部へのトラクタアクセスを提供する。 BOEDフレームワークに生成モデルを組み込むことで、適用範囲を拡大し、非現実的なシナリオでの利用を拡大する。
  論文  参考訳（メタデータ） (2024-10-15T17:53:07Z)
• Flexible Bayesian Last Layer Models Using Implicit Priors and Diffusion Posterior Sampling [7.084307990641011]
  ベイズ最後の層重みの変分学習に拡散法と暗黙の先行法を組み合わせた新しい手法を提案する。 そこで本手法は,BLLモデルの表現能力を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-08-07T12:59:58Z)
• On the Asymptotic Mean Square Error Optimality of Diffusion Models [10.72484143420088]
  生成前駆体としての拡散モデル(DM)は近年,タスクを認知する大きな可能性を示している。 本稿では, MSE-Optimal Conditional mean (CME) の構造から着想を得た新しい認知戦略を提案する。 結果のDMベースのデノイザは、トレーニング済みのDMを用いて便利に使用することができ、特に逆拡散ステップをトラッピングすることで高速である。
  論文  参考訳（メタデータ） (2024-03-05T13:25:44Z)

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。