論文の概要: A Mean-Field Framework for Inference-Time Distributional Control of Diffusion Models

• arxiv url: http://arxiv.org/abs/2608.08770v1
• Date: Sun, 09 Aug 2026 15:41:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.944075
• Title: A Mean-Field Framework for Inference-Time Distributional Control of Diffusion Models
• Title（参考訳）: 拡散モデルの予測時間分布制御のための平均場フレームワーク
• Abstract要約: 平均場枠組みの下で傾いた測度を対象とする推定時間分布制御を定式化する。 原理的に対象とする重み付き相互作用粒子スキームを導出する。 提案手法は, トラクタブルな低次元設定において, 所定の分布を的確に目標とすることを実証する。
• 参考スコア（独自算出の注目度）: 3.2299643462065286
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models are increasingly used as controllable samplers, whose generations can be steered at inference time according to a chosen reward function. While such rewards are typically defined on individual samples, for many applications it is desirable to steer according to distribution-level rewards, for example to calibrate with population-level information or to encourage diversity. In both cases, simply incorporating the reward gradient into the dynamics, while often effective, comes with few theoretical guarantees on the sampled distribution. For pointwise rewards, recent work has therefore sought to develop a principled framework for targeting a prescribed tilted distribution using particle reweighting. However, an analogous theoretically-grounded approach for distributional rewards is currently lacking. In this work, we formulate inference-time distributional control as targeting a tilted measure under a mean-field framework, and derive a weighted interacting particle scheme to target it in a principled manner. Our framework recovers pointwise-reward steering as a special case, while providing a theoretical foundation for existing batch-level steering methods. Empirically, we verify that the procedure correctly targets the prescribed distribution in tractable low-dimensional settings, and investigate its behaviour in higher-dimensional protein conformation tasks.
• Abstract（参考訳）: 拡散モデルは、選択された報酬関数に従って推論時に世代を操ることのできる制御可能なサンプリング器として、ますます使用される。 このような報酬は通常、個々のサンプルで定義されるが、多くのアプリケーションでは、例えば集団レベルの情報の校正や多様性の促進など、分布レベルの報酬に応じて操縦することが望ましい。 どちらの場合も、報酬勾配を力学に組み込むだけで、しばしば効果的であるが、サンプリングされた分布に関する理論的保証はほとんどない。 そこで,近年の研究では,粒子再重み付けによる所定の傾き分布を対象とする原理的枠組みの開発が試みられている。 しかし、分布的報酬に対する類似の理論的な基底的アプローチは、現在不足している。 本研究では,平均場構造下での傾いた測度を対象とする推定時間分布制御を定式化し,これを原理的に対象とする重み付き相互作用粒子スキームを導出する。 本フレームワークは,既存のバッチレベルのステアリング手法の理論的基盤を提供しながら,ポイントワイド・リワード・ステアリングを特別なケースとして回復する。 提案手法は, 抽出可能な低次元環境における所定の分布を的確に目標とし, 高次元タンパク質コンホメーションタスクにおけるその挙動を検証した。

関連論文リスト

• Towards More General Control of Diffusion Models Using Jeffrey Guidance [21.06046163920049]
  Jeffrey Guideは、標準ガイダンスが表現できる範囲を超えて、拡散モデル制御をアプリケーションに拡張する、原則化されたフレームワークである。 まず、所定の埋め込み分布をターゲットとして、ジェフリーガイダンスを示す。 インセプションの埋め込みを目標とすることで、CIFAR-10とFFHQの両方でのFIDの大幅な削減につながった。
  論文  参考訳（メタデータ） (2026-06-11T11:53:53Z)
• A Unified Framework for Data-Free One-Step Sampling via Wasserstein Gradient Flows [6.695501393837496]
  我々はWassersteinフローに基づく非正規化対象分布からデータフリーの一段階サンプリングのための統一的理論フレームワークを開発した。 標準 f-分割対象の幅広いクラスに対して、誘導速度勾配場が普遍形式 $mathbfV(x)=w(r(x)),(x)$ を受け入れることを示す。 データフリートレーニングのための実用的なLV-インスパイアされたサロゲートの動機付けとして、f-divergence family から Log-Variance (LV) divergence までフレームワークを拡張し、参照分布が結果のドリフト構造をどのように変化させるかを分析する。
  論文  参考訳（メタデータ） (2026-05-18T03:32:22Z)
• 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)
• Effective Test-Time Scaling of Discrete Diffusion through Iterative Refinement [51.54933696252104]
  離散拡散に適した新しいテスト時間スケーリング手法であるイテレーティブ・リワードガイドリファインメント(IterRef)を導入する。 我々は、このプロセスをMultiple-Try Metropolisフレームワークで形式化し、報酬整合分布への収束を証明した。 IterRefは計算予算の低さで大幅に上昇し、最先端のベースラインをはるかに超えている。
  論文  参考訳（メタデータ） (2025-11-04T02:33:23Z)
• Importance Weighted Score Matching for Diffusion Samplers with Enhanced Mode Coverage [16.94974733994214]
  一般的な手法では、逆KLベースの目的を最適化することで、ターゲットデータの欠如を回避できることが多い。 そこで本研究では,KLの分岐に類似した目的を直接ターゲットとした拡散型サンプリング器の訓練手法を提案する。 我々のアプローチは、すべての分布距離のメトリクスで既存のニューラルサンプリングよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-05-26T02:48:26Z)
• Enhanced Importance Sampling through Latent Space Exploration in Normalizing Flows [69.8873421870522]
  重要サンプリングはモンテカルロシミュレーションで使われる稀な事象シミュレーション手法である。 正規化フローの潜在空間における提案分布を更新し,より効率的なサンプリング法を提案する。
  論文  参考訳（メタデータ） (2025-01-06T21:18:02Z)
• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
  Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。 本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
  論文  参考訳（メタデータ） (2023-06-27T08:15:28Z)
• Flow Away your Differences: Conditional Normalizing Flows as an Improvement to Reweighting [0.0]
  本稿では, 条件分布の所望の変化を考慮に入れた再重み付け手法の代替手法を提案する。 条件付き正規化フローを用いて、完全条件付き確率分布を学習する。 この例では、ソースとターゲットの分布を同一のサンプルサイズで再重み付けする手法よりも、統計精度が最大3倍に向上する。
  論文  参考訳（メタデータ） (2023-04-28T16:33:50Z)
• 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)

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。