論文の概要: LATS: Levy Adaptive Tree Sampling for Feedback-Driven Diverse Target Discovery

• arxiv url: http://arxiv.org/abs/2609.06761v1
• Date: Sun, 06 Sep 2026 18:00:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.30213
• Title: LATS: Levy Adaptive Tree Sampling for Feedback-Driven Diverse Target Discovery
• Title（参考訳）: LATS: フィードバック駆動のディバースターゲット発見のためのレビー適応木サンプリング
• Abstract要約: Levy Adaptive Tree Search (LATS)は、オンラインフィードバック駆動検索のための原則的なサンプリングフレームワークである。 LATSはサンプルの忠実度と構造的多様性を保ちながら、低濃度で高ユーティリティな領域の発見に成功した。
• 参考スコア（独自算出の注目度）: 27.918142160227713
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: While diffusion models excel at capturing complex data distributions, scientific discovery often requires steering generation toward specific, uncharacterized regions that maximize a target objective. These high-utility modes frequently reside in low-likelihood tail regions and are only revealed sequentially through interactive feedback. Existing diffusion samplers fail in this regime: they inherit the pre-trained model's bias toward high-density regions, leaving rare yet promising phenomena underexplored. Conversely, exploration-heavy samplers ensure broad coverage but fail to efficiently exploit high-utility modes when constrained by a strict sampling budget. To resolve this dilemma, we introduce Levy Adaptive Tree Search (LATS), a principled sampling framework for online feedback-driven search. LATS leverages heavy-tailed exploration coupled with tree-based value backpropagation to progressively uncover preferred modes. By maintaining broad distributional coverage, LATS successfully discovers low-likelihood, high-utility regions while preserving sample fidelity and structural diversity. Experiments across diverse benchmarks, including materials science, demonstrate that LATS significantly outperforms baselines in target discovery efficiency.
• Abstract（参考訳）: 拡散モデルは複雑なデータ分布を捉えるのに優れているが、科学的発見では、ターゲットの目的を最大化する特定の非特性領域へのステアリング生成を必要とすることが多い。 これらの高ユーティリティモードは、しばしば低様相の尾の領域に存在し、対話的なフィードバックによってのみシーケンシャルに明らかにされる。 既存の拡散サンプリング装置はこの体制で失敗し、事前訓練されたモデルの高密度領域へのバイアスを継承し、希少で有望な現象を未発見のまま残す。 逆に、調査に重きを置くサンプル装置は広範囲にわたる範囲を確保できるが、厳格なサンプリング予算に制約された場合、高実用性モードを効果的に活用することができない。 このジレンマを解決するために、オンラインフィードバック駆動検索の原則的サンプリングフレームワークであるLevy Adaptive Tree Search (LATS)を紹介した。 LATSは、木に基づく価値のバックプロパゲーションと組み合わされた重い尾の探索を活用して、徐々に好みのモードを明らかにする。 広い分布範囲を維持することで、LATSはサンプルの忠実度と構造的多様性を保ちながら、低濃度で高ユーティリティな領域の発見に成功した。 材料科学を含む様々なベンチマークによる実験は、LATSが目標発見効率のベースラインを著しく上回ることを示した。

関連論文リスト

• DeepBias: Adaptive In-depth Probing of Social Biases in LVLMs [71.85279836937578]
  我々は、注意深く設計されたエージェントを用いたLVLMにおける社会バイアスの奥行き探索のための適応的フレームワークDeepBiasを紹介する。 私たちは、私たちのフレームワークを使ってDeepBiasBenchという名のベンチマークを構築します。5つの異なる最先端のLVLMをアンカーとして使用することで、このベンチマークはアーキテクチャ間で共有される脆弱性をキャプチャします。
  論文  参考訳（メタデータ） (2026-07-13T08:19:09Z)
• Bootstrap Flow-Map Tree Sampling Enables Online Feedback Driven Search [26.617381371184635]
  本稿では,Bootstrap Flow-Map-Tree (BFMT)を紹介した。 BFMTは単一関数評価を用いて任意の木の深さから完全な木道構築を可能にする。 多様な探索およびアライメントタスクにわたる大規模な実験と改善は、BFMTがベースラインアプローチを大幅に上回っていることを示す。
  論文  参考訳（メタデータ） (2026-07-03T03:21:10Z)
• Learning to Explore: Policy-Guided Outlier Synthesis for Graph Out-of-Distribution Detection [51.93878677594561]
  教師なしグラフレベルのOOD検出では、モデルは通常、IDデータのみを使用して訓練される。 本稿では,スタティックスを学習した探索戦略に置き換える政策誘導型アウトリア合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-28T11:40:18Z)
• Deep Dense Exploration for LLM Reinforcement Learning via Pivot-Driven Resampling [13.584783462913535]
  Deep Dense Exploration (DDE) は、$textitpivots$-deep、リカバリ可能な状態を軌道上で探索する戦略である。 我々の手法はGRPOや木に基づく手法、その他の強力なベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-02-15T14:44:15Z)
• VMF-GOS: Geometry-guided virtual Outlier Synthesis for Long-Tailed OOD Detection [10.895746797423223]
  我々は、超球面上のvon Mises-Fisher(vMF)分布を用いて統計特性をモデル化する幾何学誘導仮想外乱合成(GOS)戦略を導入する。 具体的には、特徴空間に低線状アニュラスを配置し、この領域で仮想外れ値の方向サンプリングを行う。 CIFAR-LTなどのベンチマーク実験により,本手法は外部実画像を用いたソタ手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-02-05T07:58:12Z)
• Did Models Sufficient Learn? Attribution-Guided Training via Subset-Selected Counterfactual Augmentation [61.248535801314375]
  Subset-Selected Counterfactual Augmentation (SS-CA) 我々は,モデル予測を選択的に変更可能な最小空間領域集合を識別するために,対実的LIMAを開発した。 実験により,SS-CAは分布内テストデータ(ID)の一般化を改善し,分布外ベンチマーク(OOD)において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-11-15T08:39:22Z)
• Enhancing Adversarial Transferability by Balancing Exploration and Exploitation with Gradient-Guided Sampling [82.52485740425321]
  アドリアックは、ディープニューラルネットワークの堅牢性にとって重要な課題である。 敵攻撃の伝達性は、爆発(最大攻撃能力)と探索(クロスモデル一般化の促進)のジレンマに直面している
  論文  参考訳（メタデータ） (2025-11-01T05:43:47Z)
• G$^2$RPO: Granular GRPO for Precise Reward in Flow Models [74.21206048155669]
  本稿では,サンプリング方向の高精度かつ包括的な報酬評価を実現する新しいグラニュラー-GRPO(G$2$RPO)フレームワークを提案する。 複数の拡散スケールで計算された利点を集約するマルチグラニュラリティ・アドバンテージ・インテグレーション・モジュールを導入する。 G$2$RPOは既存のフローベースGRPOベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2025-10-02T12:57:12Z)
• RAD: Retrieval High-quality Demonstrations to Enhance Decision-making [23.136426643341462]
  オフライン強化学習(RL)により、エージェントは固定データセットからポリシーを学ぶことができる。 RLはデータセットの空間性や、準最適軌道と専門家軌道の重なり合いの欠如によって制限されることが多い。 本稿では,非パラメトリック検索と拡散に基づく生成モデルを組み合わせた意思決定のための検索高量子デモ(RAD)を提案する。
  論文  参考訳（メタデータ） (2025-07-21T08:08:18Z)
• Exploratory Diffusion Model for Unsupervised Reinforcement Learning [28.413426177336703]
  非教師なし強化学習(URL)は、報酬のない環境で多様な状態やスキルを探索し、エージェントを事前訓練することを目的としている。 既存の手法は、探索されたデータをモデル化し、さらなる探索を促進するために本質的な報酬を設計する。 実験データに適合する拡散モデルの強い表現能力を利用する探索拡散モデル(ExDM)を提案する。
  論文  参考訳（メタデータ） (2025-02-11T05:48:51Z)
• Diversified Outlier Exposure for Out-of-Distribution Detection via Informative Extrapolation [110.34982764201689]
  Out-of-Distribution(OOD)検出は、現実のアプリケーションに信頼性の高い機械学習モデルをデプロイするために重要である。 近年, 外部曝露によるOOD検出に有意な結果が得られた。 本稿では,補助外乱量に基づく情報外挿による効果的なOOD検出のための新しい枠組み,すなわちDivOE(Diversified Outlier Exposure)を提案する。
  論文  参考訳（メタデータ） (2023-10-21T07:16:09Z)

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。