論文の概要: Internal Guidance as a Sampling Method for Tilted Diffusion Models

• arxiv url: http://arxiv.org/abs/2610.29086v1
• Date: Wed, 21 Oct 2026 02:21:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.178177
• Title: Internal Guidance as a Sampling Method for Tilted Diffusion Models
• Title（参考訳）: 傾斜拡散モデルのサンプリング法としての内部誘導
• Abstract要約: 逆誘導法は, 基底分布からのサンプルのみを訓練した拡散モデルを用いて, 基底密度の指数傾斜をサンプリングする。 本稿では,ベースデノワザの出力を未修正のまま残し,評価点を変更する内部ガイダンスを提案する。 1つのデノイザネットワークは、バイナリ報酬の傾き、クラスラベル、インフィルを、微調整なしで、外部ガイダンス項なしでサンプリングする。
• 参考スコア（独自算出の注目度）: 0.16406994864826552
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reward guidance methods sample an exponential tilt of a base density using a diffusion model trained with only samples from the base distribution. Existing methods use what we call external guidance: additive terms in the drift or multiplicative terms on the transition probabilities. We propose internal guidance which leaves the output of the base denoiser unmodified and instead changes the point at which it is evaluated. For discrete distributions embedded in the hypercube $\{-1,1\}^{d}$, the denoiser of any linearly tilted density is exactly the base denoiser evaluated at a shifted and rescaled input. In practice the base denoiser is a neural network trained on noised samples of the base distribution. The required evaluation points for sampling the tilted density would be out-of-distribution for basic noising of the base distribution. We modify the training algorithm with random diagonal rescalings of the data, so that the denoiser network learns both in- and out-of-distribution evaluations of the denoiser relative to the base distribution. A single denoiser network samples binary reward tilts, class labels, and infilling with no fine-tuning and no external guidance term.
• Abstract（参考訳）: 逆誘導法は, 基底分布からのサンプルのみを訓練した拡散モデルを用いて, 基底密度の指数傾斜をサンプリングする。 既存の方法は、私たちが外部ガイダンスと呼ぶものを使用します。 本稿では,ベースデノワザの出力を未修正のまま残し,評価点を変更する内部ガイダンスを提案する。 ハイパーキューブ $\{-1,1\}^{d}$ に埋め込まれた離散分布に対して、任意の線形傾斜密度のデノイザーは、まさにシフトおよび再スケールされた入力で評価されたベースデノイザーである。 実際には、ベースデノイザ(base denoiser)は、ベース分布のノイズサンプルに基づいてトレーニングされたニューラルネットワークである。 傾き密度をサンプリングするために必要な評価ポイントは,基礎分布の基本ノイズ化のための分布外である。 トレーニングアルゴリズムをデータのランダムな対角的再スケーリングで修正し、デノイザネットワークはベース分布に対するデノイザの内分布と外分布の両方を学習する。 1つのデノイザネットワークは、バイナリ報酬の傾き、クラスラベル、インフィルを、微調整なしで、外部ガイダンス項なしでサンプリングする。

関連論文リスト

• Asymptotically Exact Negative Guidance of Diffusion Models via Positive-Unlabeled Learning [51.56484100374058]
  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。
  論文  参考訳（メタデータ） (2026-10-14T08:45:27Z)
• Density Ratio Estimation with Stein Displacement Fields [6.053644321347651]
  本研究では, ベースに作用する変位場をパラメータ化することにより, ターゲットとベース分布の密度比を推定する。 この推定と移動のステップを繰り返すと、2つの推論アルゴリズムが得られる。
  論文  参考訳（メタデータ） (2026-10-08T17:57:33Z)
• Simplex Relaxation for Discrete Diffusion [58.33696160279345]
  Simplax(Simplax)はディリクレ(Dirichlet)のカテゴリー拡張で、それぞれが崩壊したカテゴリ状態と補助的単純度値変数を結合する。 Simplaxは生成パープレキシティーを改善する。-無条件のOpenWebText生成におけるエントロピートレードオフ。
  論文  参考訳（メタデータ） (2026-08-11T07:58:17Z)
• A Random Matrix Theory Perspective on the Consistency of Diffusion Models [31.63433424187031]
  データセットの異なるサブセットでトレーニングされた拡散モデルは、しばしば同じノイズシードを与えられたときに、著しく類似した出力を生成する。 我々は,学習したデノイザとサンプリングマップの期待値と分散値の有限形状を定量化するランダム行列理論(RMT)フレームワークを開発した。 我々は,UNet および DiT アーキテクチャの非記憶系における予測を検証した。
  論文  参考訳（メタデータ） (2026-02-02T23:30:28Z)
• The Principles of Diffusion Models [81.12042238390075]
  拡散モデリングは、データを徐々にノイズに分解するフォワードプロセスを定義することから始まる。 目標は、ノイズをデータに変換しながら、同じ中間体を回復するリバースプロセスを学ぶことだ。 エネルギーベースモデリングに根ざしたスコアベースビューは、進化するデータ分布の勾配を学習する。 フローベースのビューは、フローの正規化に関連するもので、サンプルをノイズからデータに移すスムーズなパスに従って生成する。
  論文  参考訳（メタデータ） (2025-10-24T02:29:02Z)
• Matching the Optimal Denoiser in Point Cloud Diffusion with (Improved) Rotational Alignment [5.8069334875117775]
  拡散モデルのトレーニングは、ノイズレベルの異なるサンプルをノイズにする方法を学ぶことで構成される。 最適デノイザは行列フィッシャー分布を$SO(3)$で表現できることを示す。 我々はこの視点に基づいて、小さな雑音の限界において最適なデノイザにより良い近似器を導出する。
  論文  参考訳（メタデータ） (2025-10-02T05:55:22Z)
• BALI: Learning Neural Networks via Bayesian Layerwise Inference [6.7819070167076045]
  我々はベイズニューラルネットワークを学習し,それを多変量ベイズ線形回帰モデルのスタックとして扱う新しい手法を提案する。 主なアイデアは、各レイヤの目標出力を正確に知っていれば、階層的に後方に推論することである。 これらの擬似ターゲットをフォワードパスから出力する層として定義し、対象関数のバックプロパゲーションによって更新する。
  論文  参考訳（メタデータ） (2024-11-18T22:18:34Z)
• Diffusion-GAN: Training GANs with Diffusion [135.24433011977874]
  GAN(Generative Adversarial Network)は、安定してトレーニングすることが難しい。 フォワード拡散チェーンを利用してインスタンスノイズを生成する新しいGANフレームワークであるDiffusion-GANを提案する。 我々は,Diffusion-GANにより,最先端のGANよりも高い安定性とデータ効率で,よりリアルな画像を生成することができることを示す。
  論文  参考訳（メタデータ） (2022-06-05T20:45:01Z)
• 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)
• Distribution Mismatch Correction for Improved Robustness in Deep Neural Networks [86.42889611784855]
  正規化法は ノイズや入力の腐敗に関して 脆弱性を増大させる 本稿では,各層の活性化分布に適応する非教師なし非パラメトリック分布補正法を提案する。 実験により,提案手法は画像劣化の激しい影響を効果的に低減することを示した。
  論文  参考訳（メタデータ） (2021-10-05T11:36:25Z)

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。