論文の概要: Risk-Calibrated Proposal Transport for Finite-Particle Diffusion Steering
- arxiv url: http://arxiv.org/abs/2610.04171v1
- Date: Sat, 03 Oct 2026 00:26:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-12 19:39:20.822931
- Title: Risk-Calibrated Proposal Transport for Finite-Particle Diffusion Steering
- Title（参考訳）: 有限粒子拡散ステアリングのリスクキャリブレーションによる提案輸送
- Abstract要約: リスクキャリブレーション提案輸送(RCPT)は、削除された残余を使い、可変制御ガイダンス更新の保持部分の校正を行う。
RCPTは、分子領域と画像領域にまたがる有害な更新を緩和する。
- 参考スコア（独自算出の注目度）: 6.216444388609131
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Inference-time steering combines pretrained diffusion experts or rewards without retraining by changing the dynamics that transport noise to data. Feynman-Kac correction compensates for proposal mismatch through importance-weighted sequential Monte Carlo (SMC), whose finite-particle behavior depends on the proposal. Variance-controlling guidance (VCG) improves that proposal by fitting a linear drift correction to minimize empirical log-weight-rate variance. Although its population optimum cannot worsen residual variance, finite-particle VCG can nearly eliminate its fitting residual while increasing residual risk on new states by orders of magnitude. The resulting update can degrade unweighted generation or accelerate particle collapse. We show that the centered Feynman-Kac rate is the normalized transport residual and that expected out-of-fit benefit is exactly population headroom minus coefficient-estimation penalty. Under regularity assumptions, a Wasserstein analysis bounds the unweighted proposal's terminal error using this residual. These results motivate Risk-Calibrated Proposal Transport (RCPT), which uses deletion leave-one-out residuals to calibrate the retained fraction of the VCG update, adding no model calls and only small linear-algebra overhead. Experiments on 2D checker distributions, scaffold decoration, molecular property optimization, and class-conditional CIFAR-10 generation demonstrate recovery from harmful fitted updates. Across molecular and image domains, RCPT mitigates harmful fitted updates and improves a broad range of terminal metrics relative to uncalibrated VCG.
- Abstract（参考訳）: 推測時ステアリングは、データにノイズを伝達するダイナミクスを変更することによって、トレーニングを変更せずに、事前訓練された拡散の専門家や報酬を組み合わせる。
Feynman-Kac補正は、有限粒子挙動が提案に依存する重要重み付き連続モンテカルロ(SMC)による提案ミスマッチを補償する。
可変制御誘導(VCG)は、経験的対数重み値のばらつきを最小限に抑えるために線形ドリフト補正を組み込むことにより、この提案を改善する。
その個体群最適は残留分散を悪化させることはできないが、有限粒子VCGは、新しい状態に対する残留リスクを桁違いに増大させながら、その適合残留をほぼ排除することができる。
結果として得られた更新は、未加重生成を分解したり、粒子崩壊を加速することができる。
中心となるFeynman-Kac速度は正規化輸送残差であり, 期待外利益は, 正確に人口頭頂部係数推定のペナルティであることを示す。
正規性の仮定の下で、ワッサーシュタイン解析は、この残差を用いて未重み付けの提案の終端誤差を境界とする。
これらの結果がリスクキャリブレーション提案輸送(RCPT)のモチベーションとなり、これは削除された残余を使ってVCG更新の残高を調整し、モデルコールを不要にし、線形代数オーバーヘッドを小さくする。
2次元チェッカー分布, 足場装飾, 分子特性最適化, CIFAR-10生成実験は, 有害な更新から回復したことを示す。
分子領域と画像領域全体にわたって、RCPTは有害な更新を緩和し、未校正VCGに対する幅広い端末メトリクスを改善する。
関連論文リスト
- Interacting particle guidance for sampling reward-tilted generative priors [15.077556801319693]
インタイムステアリングは、事前訓練された拡散とフローベースのモデルを新しいタスクに適応させる。
誘導に基づく手法は偏りのあるサンプルを生成する近似に依存する。
本稿では, 再重み付けを輸送に置き換えるインタラクション粒子誘導(IPG)を提案する。
論文 参考訳（メタデータ） (2026-09-29T10:40:37Z) - FluxLite: Inference-Time Proposal Control for Discrete Diffusion Models [22.416181303190573]
本稿では、離散拡散のための軽量でトレーニング不要な提案制御フレームワークであるFluxLiteを紹介する。
我々はこの原理を2つの実践的なサンプルとしてインスタンス化している: 1-hop Local reallocation rule (HEU) と、事前訓練されたレートベース (D-VCG) 上の小さな非負の二次プログラムである。
論文 参考訳（メタデータ） (2026-09-28T17:02:48Z) - Schur-Neural KF: Learned Schur-Consistent Corrections to the Extended Kalman Filter [7.540950083766366]
我々は、拡張カルマンフィルタ(EKF)に対する学習に基づく補正であるSchur-Neural KFを提案する。
SN-KFは, イノベーションに基づくセンサフォールト拒絶の下で, 最高の精度, リコール, 誤警報率, および RMSE を達成できることを示す。
論文 参考訳（メタデータ） (2026-09-26T14:03:08Z) - FREESIA: Covariance-Aware Posterior Transport for Expressive and Scalable Data Assimilation [5.387311686961052]
複雑なシステムのための訓練不要で正確な後部輸送法を提案する。
提案手法は, 複雑な後部構造を捕捉し, スパース, 非線形および非射影観察において精度を保っている。
スパースな非注入条件下では、RMSEは最高のベースラインに対して56%減少する。
論文 参考訳（メタデータ） (2026-09-19T07:49:32Z) - Robust Regression with Adaptive Contamination in Response: Optimal Rates and Computational Barriers [65.58071581164043]
本研究では, 共変剤を清潔にし, 応答を適応的に劣化させる汚染モデルの下で, 頑健な回帰について検討する。
本研究では,ハマー汚染下で達成可能なものよりも優れた推定率を持つ推定器を構築するために,追加情報を慎重に活用できることを示す。
情報理論の観点からは、ハマーモデルよりも改善されているにもかかわらず、この問題が強い情報計算ギャップを示すという公式な証拠を提供する。
論文 参考訳（メタデータ） (2026-04-05T19:07:24Z) - Diffusion Controller: Framework, Algorithms and Parameterization [54.82539154511621]
本稿では,逆拡散サンプリングを(一般化された)線形解法マルコフ決定過程における状態のみの制御として活用する統一的な制御理論的視点を提案する。
このフレームワークでは、制御はトレーニング済みのリバースタイムのトランジションカーネルを再重み付けし、端末の目的と$f$分割コストのバランスをとる。
安定拡散v1.4の実験では、選好調整の勝利率が一貫した上昇を示し、品質効率のトレードオフを改善した。
論文 参考訳（メタデータ） (2026-03-07T01:49:59Z) - Decision from Suboptimal Classifiers: Excess Risk Pre- and Post-Calibration [52.70324949884702]
バッチ二分決定における近似的後続確率を用いた余剰リスクの定量化を行う。
我々は、再校正のみが後悔のほとんどに対処する体制と、後悔が集団的損失に支配される体制を識別する。
NLP実験では、これらの量によって、より高度なポストトレーニングの期待値が運用コストに値するかどうかが分かる。
論文 参考訳（メタデータ） (2025-03-23T10:52:36Z) - Revisiting Essential and Nonessential Settings of Evidential Deep Learning [70.82728812001807]
Evidential Deep Learning (EDL) は不確実性推定の新しい手法である。
本報告では,EDLの簡易かつ効果的な拡張型であるRe-EDLを提案する。
論文 参考訳（メタデータ） (2024-10-01T04:27:07Z) - Proposal Distribution Calibration for Few-Shot Object Detection [65.19808035019031]
few-shot object detection (FSOD)では、重度のサンプル不均衡を軽減するために、2段階の訓練パラダイムが広く採用されている。
残念ながら、極端なデータ不足は、提案の分布バイアスを増大させ、RoIヘッドが新しいクラスに進化するのを妨げます。
本稿では,RoIヘッドのローカライゼーションと分類能力を高めるために,単純かつ効果的な提案分布キャリブレーション(PDC)手法を提案する。
論文 参考訳（メタデータ） (2022-12-15T05:09:11Z) - Comment: Entropy Learning for Dynamic Treatment Regimes [58.442274475425144]
JSLZのアプローチは、逆確率(IPW)に基づく与えられた決定規則の値の拒絶とサンプリングの見積もりと、その解釈を重み付けされた(またはコストに敏感な)分類として利用する。
彼らのスムーズな分類サロゲートの使用は、分布の分析に慎重なアプローチを可能にする。
IPWの推定は、ほとんどのデータを捨てる重みにつながり、残余については非常に変動しているため、問題となる。
論文 参考訳（メタデータ） (2020-04-06T16:11:05Z)
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。