論文の概要: Parallel Tempering for Diffusion-Based Combinatorial Optimization

• arxiv url: http://arxiv.org/abs/2609.37323v1
• Date: Tue, 29 Sep 2026 12:00:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.455177
• Title: Parallel Tempering for Diffusion-Based Combinatorial Optimization
• Title（参考訳）: 拡散に基づく組合せ最適化のための並列テンパリング
• Abstract要約: 一般的な推論時アプローチは、複数の候補解を独立に生成し、最高の性能のサンプルを返すことである。 PT-Denoise(PT-Denoise)は、並列な軌跡の対話を可能にする推論時プロシージャである。 我々の手法は、最高の解の質を常に改善し、計算オーバーヘッドは最小限に抑えている。
• 参考スコア（独自算出の注目度）: 17.63101375820778
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Discrete diffusion models have emerged as a powerful paradigm for solving combinatorial optimization (CO) problems on graphs by learning to sample high-quality solutions. A common inference-time approach is to generate multiple candidate solutions independently and return the best-performing sample, improving solution quality at the expense of an increase in computational cost. In this work, we introduce PT-Denoise, an inference-time procedure that allows these concurrent denoising trajectories to interact through parallel tempering, without requiring retraining or fine-tuning of the underlying denoiser. Our method assigns a temperature to each diffusion process and allows processes to swap temperatures based on their relative performance. This dynamically reallocates promising, low-energy trajectories to colder, more concentrated sampling regimes while allowing higher-energy states to escape local minima through randomized exploration. Experiments on canonical graph-structured CO problems show that our approach consistently improves the quality of the best solution found, while only adding minimal computational overhead.
• Abstract（参考訳）: 離散拡散モデルは、グラフ上の組合せ最適化(CO)問題を解決するための強力なパラダイムとして出現し、高品質な解のサンプルを学習している。 一般的な推論時アプローチは、複数の候補解を独立に生成し、最高の性能のサンプルを返却し、計算コストの増大を犠牲にして、解の質を改善することである。 本研究は, PT-Denoiseについて述べる。PT-Denoiseは, パラレルなテンパリングにより, 基礎となるdenoiserの調整や微調整を必要とせず, 同時進行のdenoising trajectoriesの相互作用を可能にする推論時間プロシージャである。 本手法では, 各拡散過程に温度を割り当て, 相対的な性能に基づいて温度を交換することができる。 これは、将来性のある低エネルギー軌道を、より冷たく、より集中したサンプリング体制に動的に再配置し、高エネルギー状態はランダムな探索によって局所的なミニマから逃れることを可能にする。 標準グラフ構造CO問題に対する実験により、我々の手法は最高の解の質を常に改善し、計算オーバーヘッドは最小限に抑えられることがわかった。

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)
• Faster Inference of Flow-Based Generative Models via Improved Data-Noise Coupling [69.7108839028336]
  条件付きフローマッチング(CFM)は、連続正規化フローをトレーニングするためのシミュレーション不要な手法である。 LOOM-CFMは、トレーニング時間内にミニバッチ間でこれらの割り当てを保存し、最適化することにより、ミニバッチ最適輸送(OT)の範囲を拡大する新しい手法である。 提案手法は,複数のデータセット間の速度品質トレードオフのサンプリングにおける一貫した改善を示す。
  論文  参考訳（メタデータ） (2026-03-16T13:42:28Z)
• Parallel Diffusion Solver via Residual Dirichlet Policy Optimization [88.7827307535107]
  拡散モデル(DM)は、最先端の生成性能を達成したが、シーケンシャルなデノナイジング特性のため、高いサンプリング遅延に悩まされている。 既存のソルバベースの加速度法では、低次元の予算で画像品質が著しく低下することが多い。 本研究では,各ステップに複数の勾配並列評価を組み込んだ新しいODE解法であるEnsemble Parallel Directionsolvr(EPD-EPr)を提案する。
  論文  参考訳（メタデータ） (2025-12-28T05:48:55Z)
• Preference Optimization for Combinatorial Optimization Problems [54.87466279363487]
  強化学習(Reinforcement Learning, RL)は、ニューラルネットワーク最適化のための強力なツールとして登場した。 大幅な進歩にもかかわらず、既存のRLアプローチは報酬信号の減少や大規模な行動空間における非効率な探索といった課題に直面している。 統計的比較モデルを用いて定量的報酬信号を定性的選好信号に変換する新しい手法であるPreference Optimizationを提案する。
  論文  参考訳（メタデータ） (2025-05-13T16:47:00Z)
• Reheated Gradient-based Discrete Sampling for Combinatorial Optimization [12.572876283514095]
  勾配に基づく離散サンプリングは、様々な最適化(CO)問題に対する高効率で汎用的な解法として登場した。 本稿では,この制限を克服することを目的とした,臨界温度と物理における比熱の概念から着想を得た新しい再加熱機構を導入する。
  論文  参考訳（メタデータ） (2025-03-06T03:01:25Z)
• An Efficient Diffusion-based Non-Autoregressive Solver for Traveling Salesman Problem [21.948190231334088]
  本稿では,トラベリングセールスマン問題に適した効率の良い反復型拡散モデルであるDEITSPを提案する。 本稿では,制御された離散雑音付加プロセスと自己整合性強化を統合した一段階拡散モデルを提案する。 また、ノードとエッジのモダリティから特徴の抽出と融合を促進するために、デュアルモダリティグラフ変換器を設計する。
  論文  参考訳（メタデータ） (2025-01-23T15:47:04Z)
• Optimization by Parallel Quasi-Quantum Annealing with Gradient-Based Sampling [0.0]
  本研究では、連続緩和による勾配に基づく更新と準量子アナリング(QQA)を組み合わせた別のアプローチを提案する。 数値実験により,本手法はiSCOと学習型解法に匹敵する性能を有する汎用解法であることが示された。
  論文  参考訳（メタデータ） (2024-09-02T12:55:27Z)
• A Deep Unrolling Model with Hybrid Optimization Structure for Hyperspectral Image Deconvolution [50.13564338607482]
  本稿では,DeepMixと呼ばれるハイパースペクトルデコンボリューション問題に対する新しい最適化フレームワークを提案する。 これは3つの異なるモジュール、すなわちデータ一貫性モジュール、手作りの正規化器の効果を強制するモジュール、および装飾モジュールで構成されている。 本研究は,他のモジュールの協調作業によって達成される進歩を維持するために設計された,文脈を考慮した認知型モジュールを提案する。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• Let the Flows Tell: Solving Graph Combinatorial Optimization Problems with GFlowNets [86.43523688236077]
  組合せ最適化(CO)問題はしばしばNPハードであり、正確なアルゴリズムには及ばない。 GFlowNetsは、複合非正規化密度を逐次サンプリングする強力な機械として登場した。 本稿では,異なる問題に対してマルコフ決定プロセス(MDP)を設計し,条件付きGFlowNetを学習して解空間からサンプルを作成することを提案する。
  論文  参考訳（メタデータ） (2023-05-26T15:13:09Z)
• On Accelerating Distributed Convex Optimizations [0.0]
  本稿では,分散マルチエージェント凸最適化問題について検討する。 提案アルゴリズムは, 従来の勾配偏光法よりも収束率を向上し, 線形収束することを示す。 実ロジスティック回帰問題の解法として,従来の分散アルゴリズムと比較して,アルゴリズムの性能が優れていることを示す。
  論文  参考訳（メタデータ） (2021-08-19T13:19:54Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)

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。