論文の概要: Conflict-Aware Additive Guidance for Flow Models under Compositional Rewards

• arxiv url: http://arxiv.org/abs/2605.20758v1
• Date: Wed, 20 May 2026 05:56:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.510614
• Title: Conflict-Aware Additive Guidance for Flow Models under Compositional Rewards
• Title（参考訳）: コンポジションリワード下の流れモデルに対する競合認識付加的ガイダンス
• Authors: Xuehui Yu, Fucheng Cai, Meiyi Wang, Xiaopeng Fan, Harold Soh,
• Abstract要約: 微調整を伴わない推論時間誘導サンプリングステアの状態-最先端拡散と流れモデル 本研究では, このオフマンフォールドドリフトの根本原因を同定し, 近似誤差が勾配のずれとともに著しく大きくなることを明らかにする。 本稿では,軽量かつ学習可能な手法であるConflict-Aware Additive Guidance(gtextcar$)を提案する。
• 参考スコア（独自算出の注目度）: 43.68602294223848
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inference-time guided sampling steers state-of-the-art diffusion and flow models without fine-tuning by interpreting the generation process as a controllable trajectory. This provides a simple and flexible way to inject external constraints (e.g., cost functions or pre-trained verifiers) for controlled generation. However, existing methods often fail when composing multiple constraints simultaneously, which leads to deviations from the true data manifold. In this work, we identify root causes of this off-manifold drift and find that the approximation error scales severely with gradient misalignment. Building on these findings, we propose Conflict-Aware Additive Guidance ($g^\text{car}$), a lightweight and learnable method, which actively rectifies off-manifold drift by dynamically detecting and resolving gradient conflicts. We validate $g^\text{car}$ across diverse domains, ranging from synthetic datasets and image editing to generative decision-making for planning and control. Our results demonstrate that $g^\text{car}$ effectively rectifies off-manifold drift, surpassing baselines in generation fidelity while using light compute. Code is available at https://github.com/yuxuehui/CAR-guidance.
• Abstract（参考訳）: 生成過程を制御可能な軌道として解釈することにより、微調整を伴わない推論時間誘導サンプリングステア状態と流れモデルについて検討した。 これにより、制御された生成に対して外部制約(例えばコスト関数や事前訓練された検証子)を注入する、シンプルで柔軟な方法が提供される。 しかし、既存の手法は複数の制約を同時に構成する際に失敗することが多く、真のデータ多様体から逸脱する。 本研究では, このオフマンフォールドドリフトの根本原因を同定し, 近似誤差が勾配のずれとともに著しく大きくなることを明らかにする。 これらの知見に基づいて,勾配の衝突を動的に検出・解決し,外部からのドリフトを積極的に補正する軽量かつ学習可能な手法であるConflict-Aware Additive Guidance(g^\text{car}$)を提案する。 我々は、合成データセットや画像編集から、計画と制御のための生成的意思決定まで、さまざまな領域にわたる$g^\text{car}$を検証する。 以上の結果から,$g^\text{car}$は,光計算を用いながら,生成忠実度を上回り,オフマニフォールドドリフトを効果的に補正することを示した。 コードはhttps://github.com/yuxuehui/CAR-guidance.comで入手できる。

関連論文リスト

• GeoEdit: Local Frames for Fast, Training-Free On-Manifold Editing in Diffusion Models [9.1810262671279]
  訓練なしの編集は通常、全ての編集強度の完全な装飾軌跡を再実行し、反復的な洗練が高価になる。 代わりに、小さなローカル更新が繰り返し再合成を置き換えることができるデータ多様体の近くで編集します。 提案アルゴリズムは、初期雑音に対する小さな摂動を通して接フレームを構築し、拡散に基づく投影と小さな接移動を交互に行う。
  論文  参考訳（メタデータ） (2026-04-27T09:47:02Z)
• SplitFlow: Flow Decomposition for Inversion-Free Text-to-Image Editing [15.234877788378563]
  整流流モデルは, 安定したサンプリング軌道と高忠実度出力により, 画像生成におけるデファクトスタンダードとなっている。 強力な生成能力にもかかわらず、画像編集タスクには限界がある。 近年の取り組みでは、ソースとターゲットの分布を直接ODEベースのアプローチでインバージョンせずにマッピングする試みが行われている。 本稿では,これらの制約に対応するために,インバージョンフリーな定式化に基づくフロー分解・集約フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-29T21:12:58Z)
• Adding Conditional Control to Diffusion Models with Reinforcement Learning [68.06591097066811]
  拡散モデルは、生成されたサンプルの特性を正確に制御できる強力な生成モデルである。 大規模なデータセットでトレーニングされたこれらの拡散モデルは成功したが、下流の微調整プロセスに新たな制御を導入する必要があることが多い。 本研究では、オフラインデータセットを用いた強化学習(RL)に基づく新しい制御手法を提案する。
  論文  参考訳（メタデータ） (2024-06-17T22:00:26Z)
• A Contrastive Variational Graph Auto-Encoder for Node Clustering [10.52321770126932]
  最先端のクラスタリング手法には多くの課題がある。 既存のVGAEは、推論と生成モデルの相違を考慮していない。 私たちのソリューションには、フィーチャーランダムネスとフィーチャードリフトのトレードオフを制御する2つのメカニズムがあります。
  論文  参考訳（メタデータ） (2023-12-28T05:07:57Z)
• Improving Diffusion Models for Inverse Problems using Manifold Constraints [55.91148172752894]
  我々は,現在の解法がデータ多様体からサンプルパスを逸脱し,エラーが蓄積することを示す。 この問題に対処するため、多様体の制約に着想を得た追加の補正項を提案する。 本手法は理論上も経験上も従来の方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-02T09:06:10Z)
• Hard-label Manifolds: Unexpected Advantages of Query Efficiency for Finding On-manifold Adversarial Examples [67.23103682776049]
  画像分類モデルに対する最近のゼロオーダーのハードラベル攻撃は、ファーストオーダーのグラデーションレベルの代替品に匹敵する性能を示している。 最近、グラデーションレベルの設定では、通常の敵対的な例がデータ多様体から離れ、オンマニホールドの例が実際には一般化エラーであることが示されている。 雑音の多い多様体距離オラクルに基づく情報理論論的議論を提案し、敵の勾配推定を通じて多様体情報を漏洩させる。
  論文  参考訳（メタデータ） (2021-03-04T20:53:06Z)
• Inverse reinforcement learning for autonomous navigation via differentiable semantic mapping and planning [20.66819092398541]
  本稿では,距離と意味カテゴリー観測を用いた自律ナビゲーションのための逆強化学習について述べる。 観測シーケンスから意味的カテゴリ確率を推測するマップエンコーダと、意味論的特徴に対するディープニューラルネットワークとして定義されるコストエンコーダを開発している。 本研究では,建物,歩道,路面のセマンティックな観察に頼って,自律走行型CARLAシミュレータの交通ルールを追従する手法を提案する。
  論文  参考訳（メタデータ） (2021-01-01T07:41:08Z)
• Unsupervised Controllable Generation with Self-Training [90.04287577605723]
  GANによる制御可能な世代は依然として困難な研究課題である。 本稿では,自己学習を通じてジェネレータを制御する潜伏符号の分布を学習するための教師なしフレームワークを提案する。 我々のフレームワークは、変分オートエンコーダのような他の変種と比較して、より良い絡み合いを示す。
  論文  参考訳（メタデータ） (2020-07-17T21:50:35Z)

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。