論文の概要: Diff2SP: Diffusion Models for Correlated Scenario Generation in Stochastic Programming

• arxiv url: http://arxiv.org/abs/2606.05649v1
• Date: Thu, 04 Jun 2026 03:27:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.523506
• Title: Diff2SP: Diffusion Models for Correlated Scenario Generation in Stochastic Programming
• Title（参考訳）: Diff2SP:確率計画における関連シナリオ生成のための拡散モデル
• Authors: Haixiang Sun, Andrew Liu,
• Abstract要約: Diff2SPは拡散に基づく生成フレームワークで、下流最適化の目的を直接シナリオ生成に組み込む。 シナリオ生成と意思決定を別々のステップとして扱う従来の方法とは異なり、Diff2SPはトレーニングプロセスに最適化を組み込む。 Diff2SPは、統計的忠実度と下流最適化結果の両方を一貫して改善することを示す。
• 参考スコア（独自算出の注目度）: 4.788907888889963
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scenario generation is a critical component in stochastic programming (SP), as it directly influences the quality of decision-making under uncertainty. Existing approaches predominantly rely on either sampling-based techniques or supervised learning using neural networks. Sampling-based techniques often struggle to capture complex dependencies and rare but plausible events, while supervised learning requires fixed input-output pairs for training and is limited in its ability to generate a wide variety of realistic scenarios that are not restricted by predefined patterns or rules. To address these limitations, we introduce Diff2SP, a diffusion-based generative framework that incorporates downstream optimization objectives directly into scenario generation. Unlike conventional methods that treat scenario generation and decision-making as separate steps, Diff2SP embeds stochastic optimization into the training process, enabling the generation of scenarios that are both statistically coherent and decision-aware. To formally justify this optimization-aware design, we establish a regret bounds that link distributional accuracy to decision quality, and establish sample complexity guarantees showing faster convergence than traditional generative models such as GANs. Empirical results on both synthetic and power-system datasets validate these theoretical insights, demonstrating that Diff2SP consistently improves both statistical fidelity and downstream optimization outcomes.
• Abstract（参考訳）: シナリオ生成は確率プログラミング(SP)において重要な要素であり、不確実性の下での意思決定の質に直接影響を与える。 既存のアプローチは主にサンプリングベースの手法か、ニューラルネットワークを用いた教師あり学習に依存している。 サンプリングベースのテクニックは、複雑な依存関係や稀だが実証可能なイベントを捉えるのに苦労することが多いが、教師付き学習はトレーニングに固定された入出力ペアを必要とし、事前に定義されたパターンやルールに制限されない、幅広い現実的なシナリオを生成する能力に制限されている。 これらの制約に対処するために、下流最適化目標を直接シナリオ生成に組み込む拡散ベースの生成フレームワークであるDiff2SPを紹介した。 シナリオ生成と意思決定を別々のステップとして扱う従来の方法とは異なり、Diff2SPは確率的最適化をトレーニングプロセスに組み込んで、統計的に一貫性のあるシナリオの生成を可能にする。 この最適化を意識した設計を正式に正当化するために、分布精度を決定品質にリンクする後悔境界を確立するとともに、GANのような従来の生成モデルよりも高速な収束を示すサンプル複雑性保証を確立する。 Diff2SPは、統計的忠実度と下流最適化結果の両方を一貫して改善することを示した。

関連論文リスト

• Few-Step Diffusion Sampling Through Instance-Aware Discretizations [16.93105640007355]
  正規あるいは微分方程式(ODEs/SDEs)で定義される経路をシミュレートして拡散・流れマッチングモデルにより高忠実度データを生成する 本稿では、入力依存の事前情報に基づいてタイムステップアロケーションを適応させることを学習する、インスタンス対応の離散化フレームワークを提案する。 提案手法は,トレーニングや無視可能な推論オーバーヘッドと比較して,限界チューニングコストで生成品質を継続的に向上する。
  論文  参考訳（メタデータ） (2026-03-18T12:49:38Z)
• Formalizing the Sampling Design Space of Diffusion-Based Generative Models via Adaptive Solvers and Wasserstein-Bounded Timesteps [4.397130429878499]
  拡散に基づく生成モデルは、様々な領域で顕著な性能を達成してきたが、その実践的展開は、しばしば高いサンプリングコストによって制限されている。 本稿では,数値解法を拡散軌道の固有特性と整合する原理的枠組みであるSDMを提案する。 ODE のダイナミクスを解析することにより,低次解法は初期高雑音で十分であり,高次解法は後段の非線形性の増加に対応するために段階的に展開可能であることを示す。
  論文  参考訳（メタデータ） (2026-02-13T05:02:07Z)
• Model-Based Diffusion Sampling for Predictive Control in Offline Decision Making [48.998030470623384]
  オフラインの意思決定は、さらなるインタラクションを伴わずに、固定データセットからの信頼性の高い振る舞いを必要とする。 i)タスク整列軌道を多様に生成するプランナー,(ii)システム力学との整合性を強制するダイナミクスモデル,(iii)タスク目標に整合した動作を選択するランサーモジュールからなる構成モデルに基づく拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-09T06:26:02Z)
• Beyond Confidence: Adaptive and Coherent Decoding for Diffusion Language Models [64.92045568376705]
  コヒーレントコンテキストデコーディング(Coherent Contextual Decoding, CCD)は、2つのコアイノベーションに基づいて構築された新しい推論フレームワークである。 CCDは、歴史的文脈を活用してシーケンスコヒーレンスを高める軌道修正機構を採用している。 拡散ステップに基づく厳密なアロケーションの代わりに,各ステップのアンマスク予算を動的に調整する適応型サンプリング戦略を導入する。
  論文  参考訳（メタデータ） (2025-11-26T09:49:48Z)
• Advancing Reliable Test-Time Adaptation of Vision-Language Models under Visual Variations [67.35596444651037]
  視覚言語モデル(VLM)は、素晴らしいゼロショット機能を示すが、ラベル付きデータが利用できない場合、下流タスクの分散シフトに苦慮する。 本稿では,信頼性を両面から高めるReliable Test-Time Adaptation (ReTA)法を提案する。
  論文  参考訳（メタデータ） (2025-07-13T05:37:33Z)
• End-to-End Probabilistic Framework for Learning with Hard Constraints [43.297232073870866]
  ProbHardE2Eは,ハード操作・物理制約を組み込んだ確率予測フレームワークである。 我々の手法は、幅広いニューラルネットワークアーキテクチャと組み合わせられる新しい微分可能確率射影層(DPPL)を用いている。
  論文  参考訳（メタデータ） (2025-06-08T05:29:50Z)
• A First-order Generative Bilevel Optimization Framework for Diffusion Models [57.40597004445473]
  拡散モデルは、データサンプルを反復的に分解して高品質な出力を合成する。 従来の二値法は無限次元の確率空間と禁制的なサンプリングコストのために失敗する。 我々はこの問題を生成的二段階最適化問題として定式化する。 従来の2段階法と拡散過程の非互換性を克服する。
  論文  参考訳（メタデータ） (2025-02-12T21:44:06Z)

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。