論文の概要: Plan First, Diffuse Later: Extrinsic Graph Guidance for Long-Horizon Diffusion Planning

• arxiv url: http://arxiv.org/abs/2605.16863v1
• Date: Sat, 16 May 2026 07:53:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.207094
• Title: Plan First, Diffuse Later: Extrinsic Graph Guidance for Long-Horizon Diffusion Planning
• Title（参考訳）: 計画ファースト, ディフューズ後: 長期拡散計画のための外部グラフガイダンス
• Authors: Yaniv Hassidof, Adir Morgan, Yilun Du, Kiril Solovey,
• Abstract要約: 構成拡散モデルは、長期計画への有望なルートを提供する。 しかし、長鎖上の局所的な振る舞いを強制することは、コヒーレントなグローバル構造が現れるには不十分であることが多い。 最近の研究は本質的な探索を通じてこの限界に対処し、復調過程において複数の経路を探索している。
• 参考スコア（独自算出の注目度）: 44.52185127499181
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Compositional diffusion models offer a promising route to long-horizon planning by denoising multiple overlapping sub-trajectories while ensuring that together they constitute a global solution. However, enforcing local behavior over long chains is often insufficient for a coherent global structure to emerge. Recent works tackle this limitation through intrinsic search, which explores multiple paths during the denoising process. While intrinsic search improves global coherence, it comes at the cost of repeated evaluations of an already compute-heavy model. In this work, we argue that extrinsic search, performed outside the denoising process, offers a more effective mode of exploration for long-horizon planning while naturally enabling the use of classical algorithms to solve unseen combinatorial tasks at test time. Our eXtrinsic search-guided Diffuser (XDiffuser) first computes a plan over a state-space graph -- serving as a lightweight local connectivity oracle for the diffusion model. The plan is then used to guide denoising for a single trajectory, effectively offloading the burden of exploration. XDiffuser outperforms diffusion-based baselines on long-horizon tasks, with particularly large gains in the low-quality data regime and on unseen tasks beyond goal-reaching, including multi-agent coordination and TSP-style reasoning. Project website: https://yanivhass.github.io/XDiffuser-site/
• Abstract（参考訳）: 構成拡散モデルは、複数の重なり合う部分軌道をデノベートし、それらがグローバルな解を構成することを保証することで、長期計画への有望な経路を提供する。 しかし、長鎖上の局所的な挙動を強制することは、コヒーレントなグローバル構造が現れるには不十分であることが多い。 最近の研究は本質的な探索を通じてこの限界に対処し、復調過程において複数の経路を探索している。 内在探索はグローバルコヒーレンスを改善するが、既に計算量の多いモデルの繰り返し評価のコストがかかる。 そこで本研究では,従来のアルゴリズムを用いてテスト時に目に見えない組合せタスクを解くことを自然に可能にしながら,長期計画においてより効果的な探索手段を提供する。 当社のeXtrinsic search-guided Diffuser(XDiffuser)は、まず状態空間グラフ上のプランを計算します。 その後、この計画は1つの軌道のデノベーションをガイドするために使用され、探索の重荷を効果的に降ろす。 XDiffuserは長距離タスクの拡散ベースラインよりも優れており、特に低品質のデータレギュレーションやマルチエージェントコーディネートやTSPスタイルの推論など、目標達成以上の未確認タスクで大きく伸びている。 プロジェクトサイト:https://yanivhass.github.io/XDiffuser-site/

関連論文リスト

• Compositional Visual Planning via Inference-Time Diffusion Scaling [41.86377754505579]
  短期ホライズンロボット計画において拡散モデルは優れているが、計算制約と限られた訓練データのために長いホライズンタスクにスケールすることは依然として困難である。 安定な構成生成の鍵は、推定されたクリーンデータに対する境界合意を強制することにある。 提案手法は,ビデオチャンクを重畳した連鎖構造因子グラフ上での長軸計画を定式化し,事前学習した短軸ビデオ拡散モデルが局所的な事前情報を提供する。
  論文  参考訳（メタデータ） (2026-03-03T06:24:06Z)
• Compositional Diffusion with Guided Search for Long-Horizon Planning [25.850015543620128]
  合成生成モデルのためのCDGSを用いた合成拡散法を提案する。 提案手法は,人口ベースサンプリングによる局所モードの多種多様な組み合わせ,確率ベースフィルタリングによる不実現候補の探索,反復的再サンプリングによる大域的一貫性の検証を行う。 このアプローチはドメインをまたいで一般化され、テキスト誘導パノラマ画像と長いビデオが、効果的なローカル-グローバルメッセージパッシングによって実現される。
  論文  参考訳（メタデータ） (2025-12-31T22:03:19Z)
• Tree-Guided Diffusion Planner [31.664192839205608]
  事前訓練された拡散を伴う計画がテストタイム誘導制御問題に対する有望なアプローチとして浮上した。 本研究では、構造化軌道生成による探索と利用のバランスをとるゼロ時間テストタイム計画フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-29T17:27:44Z)
• Inference-time Scaling of Diffusion Models through Classical Search [90.77272206228946]
  本稿では,局所的およびグローバルな探索を編成し,生成空間を効率的にナビゲートする汎用フレームワークを提案する。 我々は,計画,オフライン強化学習,画像生成など,さまざまな課題領域に対するアプローチを評価した。 これらの結果は,古典探索が拡散モデルにおける推論時間スケーリングの原理的かつ実践的な基礎を提供することを示している。
  論文  参考訳（メタデータ） (2025-05-29T16:22:40Z)
• Extendable Long-Horizon Planning via Hierarchical Multiscale Diffusion [62.91968752955649]
  本稿では,学習データよりも長い軌道計画を行うための,拡張可能な長期計画支援エージェントの課題に対処する。 より短いものを縫い合わせることで、より長い軌跡を反復的に生成する拡張法を提案する。 HM-ディフューザーは階層構造を用いてこれらの拡張軌道を訓練し、複数の時間スケールにわたるタスクを効率的に処理する。
  論文  参考訳（メタデータ） (2025-03-25T22:52:46Z)
• Dynamic Search for Inference-Time Alignment in Diffusion Models [87.35944312589424]
  探索問題としての拡散における推論時間アライメントと動的拡散探索(DSearch)を提案する。 DSearchは、デノナイズプロセスからサブサンプルを取得し、中間ノードの報酬を近似する。 また、ビーム幅と木の拡大を動的に調整し、高次世代を効率的に探索する。
  論文  参考訳（メタデータ） (2025-03-03T20:32:05Z)
• Dynamic Graph Learning Based on Hierarchical Memory for Origin-Destination Demand Prediction [12.72319550363076]
  本稿では,OD要求予測のための動的グラフ表現学習フレームワークを提案する。 特に、階層型メモリ更新器が最初に提案され、各ノードのタイムアウェア表現が維持される。 時間的伝搬機構は、ランダムな時間的経路に沿って隣接ノードの表現を集約する。 目的関数は、最新のノードに従って将来のOD要求を導出するように設計されている。
  論文  参考訳（メタデータ） (2022-05-29T07:52:35Z)

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。