論文の概要: One for All, All for One: Coordinated Multi-Agent Diffusion Steering via Stochastic Optimal Control

• arxiv url: http://arxiv.org/abs/2610.08595v1
• Date: Tue, 06 Oct 2026 16:02:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.099901
• Title: One for All, All for One: Coordinated Multi-Agent Diffusion Steering via Stochastic Optimal Control
• Title（参考訳）: オール・フォー・オール・フォー・ワン:確率的最適制御による協調多エージェント拡散ステアリング
• Abstract要約: 深層生成モデルは、しばしば相互作用するコンポーネントからなる構造化出力を生成する。 独立に訓練されたコンポーネントジェネレータを再利用し、コヒーレントな構造化出力を生成するための調整方法のみを学ぶ。 我々のフレームワークであるCoordinated Multi-Agent Diffusion Steering (CMDS)は、凍結した事前学習した拡散モデルを再利用可能なプリミティブとして扱い、学習制御を通じてそれらの逆プロセスを調整する。
• 参考スコア（独自算出の注目度）: 42.934315020176335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep generative models often produce structured outputs composed of interacting components. Modelling these outputs with a single model requires learning both the component distributions and their interactions. We pursue a modular alternative: reuse independently trained component generators and learn only how to coordinate them to produce coherent structured outputs. Our framework, Coordinated Multi-Agent Diffusion Steering (CMDS), treats frozen pretrained diffusion models as reusable generative primitives and coordinates their reverse processes through a learned control. We formulate coordination as a stochastic optimal control problem, balancing an assembly-level reward that specifies the desired properties of the combined output against deviations from the pretrained dynamics. The learned control amortises this optimisation, allowing reuse across new task instances. Experiments show that CMDS can recover a known target distribution, satisfy different spatial constraints with the same trained control, and recover individual sources from degraded mixtures. Across multi-agent maze navigation, articulated robot planning, and text-conditioned human motion, CMDS turns frozen models into coordinated multi-agent generators.
• Abstract（参考訳）: 深層生成モデルは、しばしば相互作用するコンポーネントからなる構造化出力を生成する。 これらの出力を単一のモデルでモデル化するには、コンポーネントの分布と相互作用の両方を学ぶ必要がある。 独立に訓練されたコンポーネントジェネレータを再利用し、コヒーレントな構造化出力を生成するための調整方法のみを学ぶ。 我々のフレームワークであるCMDS(Coordinated Multi-Agent Diffusion Steering)は、凍結した事前学習した拡散モデルを再利用可能な生成プリミティブとして扱い、その逆過程を学習制御によりコーディネートする。 確率的最適制御問題としてコーディネーションを定式化し、事前訓練された力学からの偏差に対する組合せ出力の所望特性を特定する組立レベル報酬のバランスをとる。 学習したコントロールはこの最適化を補正し、新しいタスクインスタンスをまたいだ再利用を可能にする。 実験により、CMDSは既知の目標分布を回復し、異なる空間的制約を同じ訓練された制御で満たし、劣化した混合物から個々のソースを回収できることが示された。 マルチエージェントの迷路ナビゲーション、ロボットプランニング、テキストコンディショニングされた人間の動きなど、CMDSは凍結したモデルを協調したマルチエージェントジェネレータに変換する。

関連論文リスト

• Training-Free Transformer Merging via Sequential Local Operator Alignment [62.80152875963259]
  トレーニングフリーのモデルマージは、ラベル付きデータにさらなる最適化を加えることなく、複数の微調整されたモデルを単一のモデルに組み合わせることを目的としている。 トランスでは、クエリキーと値出力演算子が合成行列に依存するため、個々のレイヤを独立にマージすることは、共有の注意に影響を与える可能性がある。 本稿では,部分的にマージされたモデルの実行経路に沿ってトランスフォーマーをマージするトレーニングフリーな手法であるSequential Local Operator Alignmentを紹介する。
  論文  参考訳（メタデータ） (2026-10-05T14:30:28Z)
• Multi-Objective Learning for Diffusion Models: A Statistical Theory under Semi-Supervised Learning [83.65494573724904]
  我々は、限られたデータを持つ拡散モデルのための原則的MOLフレームワークを開発する。 限られたペアデータから,まず軽量なスペシャリストモデルに適合する2段階のトレーニング手順を提案する。 与えられたペアサンプルの個数は、専門モデルクラスの複雑さにのみ依存することを示す境界一般化を確立する。
  論文  参考訳（メタデータ） (2026-05-24T18:19:40Z)
• CMAD: Cooperative Multi-Agent Diffusion via Stochastic Optimal Control [40.52516377402657]
  連続時間生成モデルは、画像の復元と合成において顕著な成功を収めた。 複数の事前訓練されたモデルの構成を制御することは、依然としてオープンな課題である。
  論文  参考訳（メタデータ） (2026-02-11T15:12:43Z)
• Fine-Grained Model Merging via Modular Expert Recombination [33.253051407398836]
  本稿では,MERGEを提案する。MERGEはコンポーネントワイドなモデルマージと,インプットアウェアでオンデマンドなモジュール再結合を推論時に実現する手法である。 MERGEは、クロスタスク性能とストレージ効率のバランスをとる双方向最適化問題として、コンポーネントワイズマージを定式化している。 MERGEは、強いベースラインを一貫して上回り、効果的に一般化することを示す。
  論文  参考訳（メタデータ） (2026-02-06T09:55:56Z)
• Unsupervised Decomposition and Recombination with Discriminator-Driven Diffusion Models [41.14254731598591]
  複雑なデータを因子化表現に分解することで、再利用可能なコンポーネントを明らかにし、コンポーネントの再結合を通じて新しいサンプルを可能にする。 本研究では,ソース間の因子の組換えにより生成したサンプルとを識別するために訓練された識別器を介して,逆方向のトレーニング信号を導入する。 提案手法は,CelebA-HQ,Virtual KITTI,CLEVR,Falcor3Dにおける先行ベースラインの実装よりも優れており,MIGとMCCが測定したより低いFIDスコアとより良いアンタングルを実現している。
  論文  参考訳（メタデータ） (2026-01-29T17:57:06Z)
• Learning Joint Latent Space EBM Prior Model for Multi-layer Generator [44.4434704520236]
  多層ジェネレータモデルの学習における基礎的問題について検討する。 本稿では,全層にまたがる待ち行列空間上のエネルギーモデル (EBM) を提案する。 実験により、学習したモデルが高品質な画像を生成する際に表現できることが実証された。
  論文  参考訳（メタデータ） (2023-06-10T00:27:37Z)
• MADiff: Offline Multi-agent Learning with Diffusion Models [79.18130544233794]
  MADiffは拡散型マルチエージェント学習フレームワークである。 分散ポリシと集中型コントローラの両方として機能する。 実験の結果,MADiffは様々なマルチエージェント学習タスクにおいて,ベースラインアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2023-05-27T02:14:09Z)
• Unsupervised Controllable Generation with Self-Training [90.04287577605723]
  GANによる制御可能な世代は依然として困難な研究課題である。 本稿では,自己学習を通じてジェネレータを制御する潜伏符号の分布を学習するための教師なしフレームワークを提案する。 我々のフレームワークは、変分オートエンコーダのような他の変種と比較して、より良い絡み合いを示す。
  論文  参考訳（メタデータ） (2020-07-17T21:50:35Z)

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。