論文の概要: ParetoTransport: Generative Optimization by Mass Transport Toward The Pareto Front

• arxiv url: http://arxiv.org/abs/2609.07706v1
• Date: Mon, 07 Sep 2026 16:19:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.467729
• Title: ParetoTransport: Generative Optimization by Mass Transport Toward The Pareto Front
• Title（参考訳）: ParetoTransport:Pareto前線への大量輸送による生成最適化
• Abstract要約: 本研究では,対象空間における個体群レベルの分布を明確に特定・洗練する,事前学習型フローマッチングモデルのトレーニングフリーガイダンス手法を提案する。 標準オフラインMOOベンチマークで最先端性能を示す。
• 参考スコア（独自算出の注目度）: 24.160834012321747
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Offline multi-objective optimization requires not only moving the objective vectors of candidate designs toward the Pareto front, but also distributing them effectively along it. Generative methods have recently emerged as a natural approach because they learn a distribution over feasible designs while allowing generation to be steered toward promising designs. Existing methods, however, largely retain classical sample-wise guidance strategies, leaving the distribution-level modeling capability of generative methods underused. We propose ParetoTransport, a training-free guidance method for pre-trained flow-matching models that explicitly specifies and refines a population-level distribution in objective space. ParetoTransport guides a flow-matching sampler to iteratively transport the empirical offline distribution toward the Pareto front, with Wasserstein matching to intermediate proxy distributions. This directly controls distributional displacement and mass allocation along the front. We establish a convergence result and demonstrate state-of-the-art performance on standard offline MOO benchmarks, extending recent evaluations beyond hypervolume to generational distance, inverted generational distance, and Wasserstein distance.
• Abstract（参考訳）: オフライン多目的最適化は、候補設計の目的ベクトルをパレート前面へ移動させるだけでなく、効果的に配置する必要がある。 生成手法は、期待できる設計に向けて世代を操りながら、実現可能な設計の分布を学習するので、最近自然のアプローチとして現れている。 しかし、既存の手法は古典的なサンプル誘導戦略をほとんど保持しており、生成手法の分布レベルのモデリング能力は過小評価されている。 パレートトランスポート(ParetoTransport)は,対象空間における個体群レベルの分布を明確に特定・洗練する,事前学習型フローマッチングモデルのトレーニングフリーガイダンス手法である。 ParetoTransportは、フローマッチングサンプルを誘導して、実験的なオフライン分布をParetoフロントへ繰り返し輸送し、Wassersteinを中間プロキシ分布にマッチさせる。 これは、正面に沿った分布変位と質量配分を直接制御する。 我々は、収束結果を確立し、標準的なオフラインMOOベンチマーク上での最先端性能を実証し、最近の評価をハイパーボリュームから世代距離、逆世代距離、ワッサーシュタイン距離まで拡張する。

関連論文リスト

• ParetoPilot: Zero-Surrogate Offline Multi-Objective Optimization via Infer-Perturb-Guide Diffusion [28.29207284864795]
  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。
  論文  参考訳（メタデータ） (2026-06-03T05:27:21Z)
• One-Step Generative Modeling via Wasserstein Gradient Flows [56.266175641614986]
  W-Flowは、単純な参照分布からサンプルをターゲットデータ分布からサンプルに変換するジェネレータを1ステップでトレーニングするフレームワークである。 我々は1ステップのImageNet 256$times$256 生成のための新しい技術状況を設定し、モードカバレッジとドメイン転送を改善した 1.29 FID を達成した。
  論文  参考訳（メタデータ） (2026-05-12T08:29:44Z)
• Generative models for decision-making under distributional shift [19.065806786298534]
  このチュートリアルでは、決定関連分布を構築するための数学的ツールとして、現代的な生成モデル、特にフローおよびスコアに基づく手法を提示する。 我々は、プッシュフォワード写像、連続性、フォッカー・プランク方程式、ワッサーシュタイン幾何学、確率空間の最適化に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-06T01:35:13Z)
• 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)
• 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)
• Discrete Guidance Matching: Exact Guidance for Discrete Flow Matching [36.348940136801296]
  この問題に対処するために、離散データのための新しいガイダンスフレームワークを提案する。 学習した離散フローマッチングモデルにより、所望の分布の正確な遷移率を導出する。 本稿では,エネルギー誘導型シミュレーションと嗜好アライメントによるテキスト・ツー・イメージ生成とマルチモーダル理解タスクの有効性を示す。
  論文  参考訳（メタデータ） (2025-09-26T05:51:31Z)
• Aligning Latent Spaces with Flow Priors [72.24305287508474]
  本稿では,学習可能な潜在空間を任意の目標分布に整合させるための新しいフレームワークを提案する。 特に,提案手法は計算コストの高い確率評価を排除し,最適化時のODE解決を回避する。
  論文  参考訳（メタデータ） (2025-06-05T16:59:53Z)
• Beyond Optimal Transport: Model-Aligned Coupling for Flow Matching [59.97254029720877]
  フローマッチング(FM)は、サンプルをソース分布からターゲット分布へ輸送するベクトル場を学習するモデルを訓練するための効果的なフレームワークである。 本稿では,幾何距離に基づく学習結合を効果的にマッチングするモデル結合結合(MAC)を提案する。 実験により、MACは既存の手法と比較して、数ステップ設定で生成品質と効率を著しく改善することが示された。
  論文  参考訳（メタデータ） (2025-05-29T11:10:41Z)
• ParetoFlow: Guided Flows in Multi-Objective Optimization [12.358524770639136]
  オフライン多目的最適化(MOO)では、関連するラベルのオフラインデータセットを同時に複数の目的に活用する。 最近のイテレーションは主に進化的最適化とベイズ最適化を採用しており、データに固有の生成能力に限定的に注意が向けられている。 本手法は,様々なタスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-12-04T21:14:18Z)
• Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
  歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。 本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。 実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
  論文  参考訳（メタデータ） (2020-09-21T13:57:10Z)

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。