論文の概要: Diffusion-Guided Search via Exponential Tilting (DiffTilt): An Application to Falsification of Safety-Critical Systems

• arxiv url: http://arxiv.org/abs/2607.23134v1
• Date: Sat, 25 Jul 2026 10:28:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.000554
• Title: Diffusion-Guided Search via Exponential Tilting (DiffTilt): An Application to Falsification of Safety-Critical Systems
• Title（参考訳）: ディフティルト(DiffTilt)による拡散誘導探索 : 安全臨界系のファルシフィケーションへの応用
• Authors: Tanmay Khandait, Preetom Biswas, Hideki Okamoto, Bardh Hoxha, Georgios Fainekos, Giulia Pedrielli,
• Abstract要約: 既存のファルシフィケーションアプローチは、環境とシステム実行に関する共同分布を規定する条件付きサンプリング戦略に依存している。 本稿では,拡散モデルにより誘導される共同分布を環境や実行に対して指数関数的に傾ける分散フレームワークであるDiffTiltを開発する。
• 参考スコア（独自算出の注目度）: 3.963282613048148
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Discovering rare safety-critical failures in autonomous and cyber-physical systems is a fundamental challenge in verification and validation. Existing falsification approaches rely on conditional sampling strategies that factor the joint distribution over environments and system executions, and therefore suffer from multiplicative rarity effects: the simultaneous scarcity of failure-inducing inputs and failure-inducing traces makes exhaustive search prohibitively expensive. This paper develops DiffTilt, a distributional framework that exponentially tilts a diffusion model-induced joint distribution over environments and executions. We show that diffusion-guided sampling admits an exact interpretation as importance sampling in the joint space, where guidance scores induce a KL-optimal reallocation of probability mass towards failure-relevant behaviors. We further show that tilting provably amplifies failure probability and strictly outperforms conditional sampling, which is limited by multiplicative rarity. In this framework, the joint generative model serves as a reusable prior over scenarios and need not faithfully represent the system under test. Expensive system simulations are instead limited to learning a scoring function that characterizes scenario quality, enabling their selective and adaptive use. We study DiffTilt on ARCH-COMP benchmarks, and we propose an additional tractor-trailer benchmark showing the behavior of several approaches when scenario generation is guided by a well-defined specification rather than a reward. The proposed method achieves competitive or improved falsification performance compared to state-of-the-art approaches, with larger gains when specification definition is not limited to STL formulas.
• Abstract（参考訳）: 自律的およびサイバー物理システムにおける稀な安全クリティカルな障害を発見することは、検証と検証の根本的な課題である。 既存のファルシフィケーション手法は、環境とシステム実行の結合分布を規定する条件付きサンプリング戦略に依存しているため、乗法的ラリティ効果に悩まされている。 本稿では,拡散モデルにより誘導される共同分布を環境や実行に対して指数関数的に傾ける分散フレームワークであるDiffTiltを開発する。 本研究では, 拡散誘導サンプリングは結合空間における重要サンプリングの正確な解釈を許容し, 誘導スコアはKL-最適確率マスの故障関連行動への再配置を誘導することを示した。 さらに,傾きは確率的に故障確率を増幅し,乗法により制限される条件付きサンプリングよりも厳密に優れていることを示す。 このフレームワークでは、共同生成モデルはシナリオ上の再利用可能な事前として機能し、テスト中のシステムを忠実に表現する必要はない。 過剰なシステムシミュレーションは、シナリオの品質を特徴付けるスコアリング関数の学習に限られており、選択的かつ適応的な使用を可能にしている。 我々は,ARCH-COMPベンチマーク上でDiffTiltについて検討し,シナリオ生成が報酬ではなく明確に定義された仕様によってガイドされる場合の,いくつかのアプローチの振る舞いを示すトラクタ・トレーラベンチマークを提案する。 提案手法は, STL 式に制限されない場合, 現状の手法に比べて, ファルシフィケーション性能が向上し, 性能が向上する。

関連論文リスト

• Inference-Time Attribute Distribution Alignment for Unconditional Diffusion [54.28942858023809]
  我々は、事前訓練された非条件拡散モデルに対する推論時属性分布アライメント問題を定式化する。 そこで本研究では,逆拡散過程に対する最適制御問題として,推定時属性分布アライメントを適用した。 最適制御に基づくアルゴリズムを用いて分散マッチングの最適化を行う。
  論文  参考訳（メタデータ） (2026-05-08T09:02:47Z)
• Benchmarking Few-shot Transferability of Pre-trained Models with Improved Evaluation Protocols [123.73663884421272]
  より強力な事前訓練モデルと改良された適応アルゴリズムによって、わずかなショット転送が革新されている。 FEWTRANSは10種類のデータセットを含む総合的なベンチマークである。 FEWTRANS をリリースすることにより,数発の転写学習研究において再現性の向上を合理化するための厳密な "ルーラー" の提供を目指す。
  論文  参考訳（メタデータ） (2026-02-28T05:41:57Z)
• Learning Robust Diffusion Models from Imprecise Supervision [75.53546939251146]
  DMISは、Imrecise Supervisionから堅牢な条件拡散モデルをトレーニングするための統一されたフレームワークである。 我々のフレームワークは、可能性から派生し、その目的を生成的および分類的構成要素に分解する。 画像生成、弱教師付き学習、データセットの凝縮をカバーし、様々な形の不正確な監視実験を行い、DMISが常に高品質でクラス差別的なサンプルを生成することを示した。
  論文  参考訳（メタデータ） (2025-10-03T14:00:32Z)
• ExDD: Explicit Dual Distribution Learning for Surface Defect Detection via Diffusion Synthesis [2.7215409221888476]
  産業欠陥検出システムは、一級異常検出パラダイムに制限された場合、限界に直面する。 両機能分布を明示的にモデル化することで,これらの制約を超越する新しいフレームワークであるExDDを提案する。
  論文  参考訳（メタデータ） (2025-07-21T07:49:00Z)
• Feedback Guidance of Diffusion Models [14.162420300295365]
  Interval-Free Guidance (CFG) は, 条件付き拡散モデルにおける試料の忠実度向上の標準となっている。 本稿では,FBG(FeedBack Guidance)を提案する。
  論文  参考訳（メタデータ） (2025-06-06T13:46:32Z)
• Diffusion Sampling Path Tells More: An Efficient Plug-and-Play Strategy for Sample Filtering [18.543769006014383]
  拡散モデルはしばしば、サンプリング軌跡に固有の変化のために、一貫性のないサンプル品質を示す。 CFG-リジェクション(CFG-Rejection)は,デノナイジングプロセスの初期段階において,低品質なサンプルをフィルタリングする効率的なプラグアンドプレイ戦略である。 画像生成におけるCFG-Rejectionの有効性を広範囲な実験により検証する。
  論文  参考訳（メタデータ） (2025-05-29T11:08:24Z)
• TrustLoRA: Low-Rank Adaptation for Failure Detection under Out-of-distribution Data [62.22804234013273]
  本稿では,共変量および意味的シフトの両条件下での拒絶による分類を統一し,促進する,単純な故障検出フレームワークを提案する。 キーとなる洞察は、障害固有の信頼性知識を低ランクアダプタで分離し、統合することにより、障害検出能力を効果的かつ柔軟に向上できるということです。
  論文  参考訳（メタデータ） (2025-04-20T09:20:55Z)
• Provable Guarantees for Generative Behavior Cloning: Bridging Low-Level Stability and High-Level Behavior [51.60683890503293]
  生成モデルを用いた複雑な専門家による実演の行動クローニングに関する理論的枠組みを提案する。 任意の専門的軌跡の時間ごとのステップ分布に一致するトラジェクトリを生成することができることを示す。
  論文  参考訳（メタデータ） (2023-07-27T04:27:26Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)
• GANISP: a GAN-assisted Importance SPlitting Probability Estimator [0.0]
  提案したGANISP(GANISP)は,対象とするシステムの分散化を改善する。 メソッドの実装は、コンパニオンリポジトリで利用可能である。
  論文  参考訳（メタデータ） (2021-12-28T17:13:37Z)

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。