論文の概要: Asymptotically Exact Negative Guidance of Diffusion Models via Positive-Unlabeled Learning

• arxiv url: http://arxiv.org/abs/2610.19802v2
• Date: Wed, 21 Oct 2026 04:23:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 17:02:23.281001
• Title: Asymptotically Exact Negative Guidance of Diffusion Models via Positive-Unlabeled Learning
• Title（参考訳）: 肯定的非ラベル学習による拡散モデルの漸近的負の誘導
• Abstract要約: 拡散モデルの負のガイダンスは、参照サンプルまたは条件スコアによって規定された望ましくない条件を避けるサンプルを生成する。 本稿では, 基準サンプルとスコアベース仕様の両方を均一に扱い, 対象密度自体をパラメトリズする回避強度で, 望ましくない条件付近の確率質量を抑える。
• 参考スコア（独自算出の注目度）: 51.56484100374058
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Negative guidance of diffusion models generates samples that avoid an undesired condition, specified either by reference samples or by a conditional score alongside an unconditional model. Existing methods inject repulsive terms derived from local information at each sample, so the resulting sampler does not target an explicit density, and its bias cannot be systematically reduced by increasing computation. We instead present a negative-guidance method that samples from an explicit target density, which uniformly handles both reference-sample and score-based specifications and suppresses probability mass near the undesired condition with an avoidance strength that parametrizes the target density itself. Realizing this target requires estimating, at each diffusion timestep, how likely each sample is to belong to the undesired condition. We cast this estimation as a Positive-Unlabeled learning problem that admits lightweight online training along the diffusion trajectory, using condition samples as positives and diffusion particles as unlabeled data. Because the guided particles drift from the unconditional marginal, we further correct the residual mismatch via Sequential Monte Carlo, yielding a sampler that is asymptotically exact in the particle limit and that turns any existing negative-guidance method into its proposal kernel. Empirically, our method approaches the ground-truth target on Gaussian mixtures and Pareto-dominates existing methods on trade-offs between avoidance and generation quality, distributional bias, and diversity, including in an image-generation setting with a pretrained score network.
• Abstract（参考訳）: 拡散モデルの負のガイダンスは、参照サンプルまたは条件スコアによって規定された望ましくない状態を避けるサンプルを生成する。 既存の手法では各サンプルの局所的な情報から派生した反発項を注入するので、得られたサンプルは明示的な密度を目標とせず、計算量を増やすことでそのバイアスを体系的に低減することはできない。 そこで我々は, 基準サンプルとスコアベース仕様の両方を均一に扱い, 対象密度自体をパラメトリズする回避強度で, 望ましくない条件付近の確率質量を抑える。 この目標を実現するには、各拡散時間ステップにおいて、各サンプルが望ましくない状態に属する確率を推定する必要がある。 我々は,この推定を,条件標本を正として,拡散粒子を未ラベルデータとして用いて,拡散軌道に沿って軽量なオンライントレーニングを行うことを許容する正の無ラベル学習問題とみなした。 誘導粒子は無条件の辺縁からドリフトするため、シークエンシャル・モンテ・カルロ(Sequential Monte Carlo)を介して残留ミスマッチを補正し、粒子限界に漸近的に正確なサンプルを生成し、既存の負の誘導法を提案核に変換する。 提案手法は,ガウス混合系の地中構造目標に近づき,回避と生成品質,分布バイアス,多様性のトレードオフに関する既存の手法を予め訓練されたスコアネットワークを用いた画像生成環境に導入する。

関連論文リスト

• Uncertainty-based Debiasing and Unlearning for Decontamination [12.593872705071114]
  不確実性に基づく除染(UBD)は、汚染されたモデルやサンプルが汚染された知識を必要とせず、サンプルごとの記憶を推定する。 UBDは、パラフレーズや選択置換ベースラインよりも、汚染されていないモデルの出力分布にかなり近いサンプル単位の出力分布を生成する。
  論文  参考訳（メタデータ） (2026-06-22T13:26:29Z)
• Conditional Diffusion Under Linear Constraints: Langevin Mixing and Information-Theoretic Guarantees [10.73598638822051]
  線形逆問題に対する事前学習拡散モデルを用いたゼロショット条件付きサンプリングについて検討する。 このスコアを無条件の接点スコアで置き換える誤差は、観測されたコンポーネントと観測されていないコンポーネントの間の次元自由条件の相互情報によって上限づけられていることを証明する。
  論文  参考訳（メタデータ） (2026-05-06T19:19:54Z)
• Generative Modeling under Non-Monotonic MAR Missingness via Approximate Wasserstein Gradient Flows [6.221876252052772]
  MAR(Missing at Random)の値を持つデータセットから完全なデータセットを生成するための原則的反復法を提案する。 FLOWGEMは、観測されたデータ分布と、異なる欠落パターンにおける生成したサンプルの分布との予測KL(Kullback-Leibler)のばらつきを最小化する。 これは、モノトニックなMARメカニズムの挑戦的なケースを含む、さまざまな設定で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-04-06T09:56:08Z)
• A Unified View of Drifting and Score-Based Models [92.51878018325031]
  ドリフトがカーネル平滑分布にスコアベースの定式化を許すことを示すことにより,拡散モデルの背後にあるスコアマッチング原理との関係を正確にする。 一般的なラプラス核に対して正確な分解を導出し、ラプラス核に対してドリフトが低温および高次元状態におけるスコアマッチングの正確なプロキシであることを示す厳密な誤差境界を証明した。
  論文  参考訳（メタデータ） (2026-03-08T07:41:36Z)
• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• Unsupervised Learning of Sampling Distributions for Particle Filters [80.6716888175925]
  観測結果からサンプリング分布を学習する4つの方法を提案する。 実験により、学習されたサンプリング分布は、設計された最小縮退サンプリング分布よりも優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2023-02-02T15:50:21Z)
• Unrolling Particles: Unsupervised Learning of Sampling Distributions [102.72972137287728]
  粒子フィルタリングは複素系の優れた非線形推定を計算するために用いられる。 粒子フィルタは様々なシナリオにおいて良好な推定値が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-06T16:58:34Z)

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。