論文の概要: End-to-End Differentiable Diffusion Conditioning for Physics-Informed Optimization

• arxiv url: http://arxiv.org/abs/2610.31721v1
• Date: Thu, 22 Oct 2026 09:53:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.252258
• Title: End-to-End Differentiable Diffusion Conditioning for Physics-Informed Optimization
• Title（参考訳）: 物理インフォームド最適化のためのエンド・ツー・エンド微分拡散条件
• Abstract要約: オフラインモデルベースの最適化では、メソッドは固定されたデータセットのみを使用して設計を改善し、真の目的に対するテストタイムアクセスを必要としない。 本稿では,オフラインMBOのための微分拡散条件付け(D2C)を提案する。 提案手法を合成した提案器・評価器のフレームワークで実装し,慣性凝縮核融合,持続可能なデータセンタ負荷,4つのDesign-Benchタスクに対するレーザーパルス最適化について評価する。
• 参考スコア（独自算出の注目度）: 9.911858437057594
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optimizing high-dimensional physical systems under expensive evaluations and complex constraints is a central challenge in science and engineering. In offline model-based optimization (MBO), methods must improve designs using only a fixed dataset and no test-time access to the true objective. However, existing methods typically suffer from conservatism, unconstrained surrogate exploitation, or function as static inference-time samplers that cannot refine candidates against precise physical objectives. In this paper, we propose Differentiable Diffusion Conditioning (D2C) for offline MBO, which leverages the fact that deterministic sampling makes the reverse denoising chain differentiable with respect to the conditioning signal. D2C turns a frozen conditional diffusion model into an end-to-end gradient-based optimizer by directly optimizing conditioning variables at test time via gradients from frozen surrogate objectives and physics-informed penalties backpropagated through the reverse chain. We implement this idea in a composed proposer-evaluator framework and evaluate it on laser pulse optimization for inertial confinement fusion, sustainable data-center workload scheduling, and four Design-Bench tasks. Our method achieves the strongest results on the two real-world tasks and the best average rank across four Design-Bench tasks.
• Abstract（参考訳）: 高価な評価と複雑な制約の下で高次元物理システムを最適化することは、科学と工学の重要な課題である。 オフラインモデルベース最適化(MBO)では、メソッドは固定されたデータセットのみを使用して設計を改善する必要があり、真の目的に対するテストタイムアクセスは不要である。 しかし、既存の手法は保守主義、制約のない代理的利用、あるいは正確な物理的目的に対して候補を洗練できない静的な推論時サンプリングとして機能する。 本稿では, オフラインMBOのための微分拡散条件(D2C)を提案する。 D2C は凍結条件拡散モデルをエンドツーエンドの勾配に基づく最適化器に変換し、凍結サロゲート目標からの勾配と逆鎖を介して逆転した物理インフォームドペナルティから、テスト時の条件変数を直接最適化する。 提案手法を合成した提案器評価フレームワークで実装し,慣性凝縮核融合,持続可能なデータセンタのワークロードスケジューリング,4つのDesign-Benchタスクに対するレーザーパルス最適化について評価する。 提案手法は,2つの実世界のタスクにおける最強の結果と,4つのDesign-Benchタスクにおける最高の平均ランクを達成する。

関連論文リスト

• A FEM-Based Surrogate Modelling and Optimization Framework for Physics-Constrained Electromagnetic Coil Design [2.6205603301997855]
  Python-MPh-COMSOLワークフローは、2次元軸対称有限要素法(FEM)とMatern 5/2 Gaussian-process (GP)確率的サロゲートを結合する。 共通の総電流における選択された設計チェックは、観測されたBOBYQA--COBYLA--EI-BO順序を保存する。
  論文  参考訳（メタデータ） (2026-08-19T13:27:15Z)
• Precise: SDE-Consistent Stochastic Sampling for RL Post-Training of Flow-Matching Models [56.67321805551389]
  Reinforcement Learning (RL) は, 拡散・流れマッチングジェネレータにおいて, 迅速なアライメントと知覚品質の向上に有効な方法となっている。 探索行動の制御と力学のデノベーションを行うサンプルは、この方針の一部である。 有効探査と安定性のバランスをとる新しいサンプリング器を提案する。
  論文  参考訳（メタデータ） (2026-05-22T11:37:22Z)
• Turning Stale Gradients into Stable Gradients: Coherent Coordinate Descent with Implicit Landscape Smoothing for Lightweight Zeroth-Order Optimization [11.723535704837266]
  バックプロパゲーションが利用できないシナリオでは、ゼロオーダ(ZO)最適化が重要となる。 既存の方法は、サンプル非効率(例:標準有限差分)であるか、ランダム化推定による高い分散に悩まされている、という大きなトレードオフに直面している。 本研究では,CoCD(Coherent Coordinate Descent)を提案する。
  論文  参考訳（メタデータ） (2026-05-14T04:52:24Z)
• Beyond Static Best-of-N: Bayesian List-wise Alignment for LLM-based Recommendation [23.95623437107717]
  大規模言語モデルは、ユーザ好みをモデル化するための生成機能を活用することで、レコメンデーションシステム(LLM4Rec)に革命をもたらした。 既存のLLM4Recメソッドはトークンレベルの目的に依存しており、実際のレコメンデーション品質を定義するリストレベルと非微分可能なメトリクスを最適化することは困難である。 我々はこれらの課題を克服するためにBLADE (Bayesian List-wise Alignment via Dynamic Estimation)を提案する。
  論文  参考訳（メタデータ） (2026-05-06T07:02:57Z)
• Formalizing the Sampling Design Space of Diffusion-Based Generative Models via Adaptive Solvers and Wasserstein-Bounded Timesteps [4.397130429878499]
  拡散に基づく生成モデルは、様々な領域で顕著な性能を達成してきたが、その実践的展開は、しばしば高いサンプリングコストによって制限されている。 本稿では,数値解法を拡散軌道の固有特性と整合する原理的枠組みであるSDMを提案する。 ODE のダイナミクスを解析することにより,低次解法は初期高雑音で十分であり,高次解法は後段の非線形性の増加に対応するために段階的に展開可能であることを示す。
  論文  参考訳（メタデータ） (2026-02-13T05:02:07Z)
• Not All Preferences Are Created Equal: Stability-Aware and Gradient-Efficient Alignment for Reasoning Models [52.48582333951919]
  ポリシー更新の信号対雑音比を最大化することにより、アライメントの信頼性を高めるために設計された動的フレームワークを提案する。 SAGE(Stability-Aware Gradient Efficiency)は、モデル能力に基づいて候補プールをリフレッシュする粗いきめ細かいカリキュラムメカニズムを統合する。 複数の数学的推論ベンチマークの実験により、SAGEは収束を著しく加速し、静的ベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2026-02-01T12:56:10Z)
• 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)
• Online Decision-Focused Learning [74.3205104323777]
  意思決定中心学習(DFL)は、意思決定タスクで予測出力が使用されるモデルのトレーニングパラダイムとして、ますます人気が高まっている。 本稿では,目的関数を規則化し,その相違を解消し,非最適関数を克服する方法を検討する。 また、クナップサック実験におけるアルゴリズムの有効性を示し、2つの標準ベンチマークを上回りました。
  論文  参考訳（メタデータ） (2025-05-19T10:40:30Z)
• E2ED^2:Direct Mapping from Noise to Data for Enhanced Diffusion Models [15.270657838960114]
  拡散モデルは、視覚的生成モデリングにおけるデファクト・プライマリ・パラダイムとして確立されてきた。 最終生成サンプルから初期雑音への直接最適化を実現する新しいエンドツーエンド学習パラダイムを提案する。 Fr'eche't Inception Distance (FID) と CLIP のスコアは,サンプリングステップが少なくても大幅に向上する。
  論文  参考訳（メタデータ） (2024-12-30T16:06:31Z)
• DF2: Distribution-Free Decision-Focused Learning [30.288876294435294]
  決定中心学習(DFL)は,予測列最適化問題に対する強力なアプローチとして登場した。 DFLはモデル誤差、サンプル平均近似誤差、近似誤差の3つのボトルネックに直面している。 本稿では,この3つのボトルネックを緩和する決定自由学習手法であるDF2を提案する。
  論文  参考訳（メタデータ） (2023-08-11T00:44:46Z)
• Robust Optimal Transport with Applications in Generative Modeling and Domain Adaptation [120.69747175899421]
  ワッサーシュタインのような最適輸送(OT)距離は、GANやドメイン適応のようないくつかの領域で使用されている。 本稿では,現代のディープラーニングアプリケーションに適用可能な,ロバストなOT最適化の計算効率のよい2つの形式を提案する。 提案手法では, ノイズの多いデータセット上で, 外部分布で劣化したGANモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2020-10-12T17:13:40Z)

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。