論文の概要: ParetoPilot: Zero-Surrogate Offline Multi-Objective Optimization via Infer-Perturb-Guide Diffusion

• arxiv url: http://arxiv.org/abs/2606.04468v1
• Date: Wed, 03 Jun 2026 05:27:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.565336
• Title: ParetoPilot: Zero-Surrogate Offline Multi-Objective Optimization via Infer-Perturb-Guide Diffusion
• Title（参考訳）: ParetoPilot: Infer-Perturb-Guide拡散によるゼロサロゲートオフライン多目的最適化
• Authors: Ruiqing Sun, Sen Yang, Dawei Feng, Bo Ding, Yijie Wang, Huaimin Wang,
• Abstract要約: オフラインMOOのための新しいゼロ代理拡散フレームワークを提案する。 パーターブガイドエンジンは、逆生成プロセスの無条件復調ステップ内でシームレスにインターリーブされる。 当社のアプローチは,超ボリューム改善を実現しつつ,データのプライバシを保護します。
• 参考スコア（独自算出の注目度）: 28.29207284864795
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Offline multi-objective optimization (Offline MOO) aims to discover novel Pareto-optimal designs based on static datasets without expensive environment interactions. While recent generative methods have achieved notable success, they predominantly rely on external surrogate models. This dependency introduces significant computational overhead, suffers from deceptive evaluations, and deviates from the prevailing paradigm of jointly training mainstream generative models with conditions. To address these bottlenecks, we propose ParetoPilot, a novel zero-surrogate diffusion framework for offline MOO. ParetoPilot fully leverages the conditional priors inherently embedded within pre-trained diffusion models. At its core, the framework introduces the Infer-Perturb-Guide (IPG) engine, which is seamlessly interleaved within the unconditional denoising steps of the reverse generation process. First, it implicitly infers the instantaneous objective direction by matching conditional and unconditional noise predictions. Next, it mathematically orthogonalizes a parallel gravity field for strict convergence and an edgeness-aware repulsive force for mutual diversity, creating a dynamically annealed perturbation vector. Finally, this perturbed target seamlessly steers the generation process via standard Classifier-Free Guidance (CFG). Extensive experiments across 51 tasks demonstrate that ParetoPilot outperforms 14 state-of-the-art surrogate-based and inverse generative baselines. By eliminating auxiliary proxy training, our approach preserves data privacy while achieving hypervolume improvement and robust Pareto front coverage.
• Abstract（参考訳）: オフライン多目的最適化(Offline Multi-objective Optimization、Offline MOO)は、高価な環境相互作用のない静的データセットに基づく新しいパレート最適設計を発見することを目的としている。 最近の生成法は顕著な成功を収めているが、それらは主に外部サロゲートモデルに依存している。 この依存は、計算上のオーバーヘッドを著しく引き起こし、詐欺的評価に悩まされ、条件付き主流生成モデルを共同で訓練する一般的なパラダイムから逸脱する。 これらのボトルネックに対処するため、オフラインMOOのための新しいゼロ代理拡散フレームワークParetoPilotを提案する。 ParetoPilotは、事前訓練された拡散モデルに本質的に埋め込まれた条件付きプリエントを完全に活用する。 Infer-Perturb-Guide(IPG)エンジンは、リバースジェネレーションプロセスの非条件記述ステップ内でシームレスにインターリーブされる。 まず、条件付きおよび非条件付き雑音予測を一致させることにより、瞬時目的方向を暗黙的に推測する。 次に、厳密な収束のために平行重力場を数学的に直交し、相互多様性のためにエッジネスを意識した反発力を与え、動的にアニールされた摂動ベクトルを生成する。 最後に、この乱れたターゲットは、標準の分類自由誘導(CFG)を介して生成プロセスをシームレスに操る。 51のタスクにわたる大規模な実験により、ParetoPilotは14の最先端のサロゲートベースおよび逆生成ベースラインを上回っていることが示された。 補助的なプロキシトレーニングを排除することで、ハイパーボリュームの改善と堅牢なParetoフロントカバレッジを実現しつつ、データのプライバシを保護します。

関連論文リスト

• Self-Distilled Trajectory-Aware Boltzmann Modeling: Bridging the Training-Inference Discrepancy in Diffusion Language Models [65.89572755202245]
  拡散言語モデル(DLM)は、より強力なグローバル認識と高い並列生成を提供する。 標準負のエビデンス下界(NELBO)に基づく教師付き微調整後のDLMは非効率である。 そこで本研究では,学習を推論の容易かつハードな構造に整合させる,自己蒸留軌道に基づくポストトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-12T09:39:06Z)
• Diffusion-APO: Trajectory-Aware Direct Preference Alignment for Video Diffusion Transformers [12.948398661304184]
  Diffusion-APOは、ビデオ拡散モデルと人間の意図を一致させる軌跡認識アルゴリズムである。 オンラインランキング、半オンラインアンカー、オフラインリファインメント、蒸留対応ドリフト補正を統合した統一かつモジュール化されたRLHFフレームワークを導入する。 本研究では,Diffusion-APOが視覚的品質と指示の基準線を一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2026-05-08T09:37:46Z)
• A Decoupled Basis-Vector-Driven Generative Framework for Dynamic Multi-Objective Optimization [13.136405879524856]
  本稿では,動的多目的最適化のためのベースベクトル駆動型生成フレームワーク(DB-GEN)を提案する。 非線形結合、時代遅れの歴史的データからの負の転送、および環境スイッチ時のコールドスタート問題に対処する。 実験の結果、DB-GENは既存のアルゴリズムと比較して、様々な動的ベンチマークにおけるトラッキング精度を向上させることが示された。
  論文  参考訳（メタデータ） (2026-04-01T05:47:56Z)
• Dual-Teacher Distillation with Subnetwork Rectification for Black-Box Domain Adaptation [69.7036779439312]
  ブラックボックスドメイン適応は、非常に実用的で非常に困難な設定である。 ブラックボックスソースモデルに埋め込まれた特定の知識を活用するサブネットワーク整合モデル(DDSR)を用いた二重蒸留法を提案する。 我々の手法は、ソースデータやモデルの使用を含む、最先端の手法に対する一貫した改善を実証する。
  論文  参考訳（メタデータ） (2026-03-24T07:54:19Z)
• Score-Guided Proximal Projection: A Unified Geometric Framework for Rectified Flow Editing [1.0312968200748118]
  Rectified Flowモデルは最先端の世代品質を実現するが、正確なタスクのためにそれらを制御することは依然として困難である。 現在のアプローチは「幾何学的ロック」に苦しむ逆法に基づくガイダンスに分岐する Score-Guided Proximal Projectionは,決定論的最適化と縮尺サンプリングのギャップを埋める統一フレームワークである。
  論文  参考訳（メタデータ） (2026-03-05T23:44:45Z)
• The Offline-Frontier Shift: Diagnosing Distributional Limits in Generative Multi-Objective Optimization [56.39938641873341]
  生成法は, 世代間距離などの他の指標に対して, 進化的オルタナティブを系統的に過小評価することを示す。 この制限を克服するには、客観空間における分配外サンプリングが必要であると論じる。 本研究は, オフラインMOOを分散シフト制限問題として位置づけ, 生成最適化手法が失敗する原因と原因を理解するための診断レンズを提供する。
  論文  参考訳（メタデータ） (2026-02-11T18:38:40Z)
• Improving Black-Box Generative Attacks via Generator Semantic Consistency [51.470649503929344]
  ジェネレーティブアタックは テスト時に 1つのフォワードパスで 敵の例を生成する 初期ジェネレータの中間機能をEMA教師に整列させることで意味的整合性を実現する。 我々のアプローチは、ブラックボックス転送の一貫性を保ちながら、既存のジェネレーティブアタックにシームレスに統合することができる。
  論文  参考訳（メタデータ） (2025-06-23T02:35:09Z)

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。