論文の概要: Multi-Objective Generative Optimization via Expected Hypervolume Fine-Tuning

• arxiv url: http://arxiv.org/abs/2611.05207v1
• Date: Tue, 03 Nov 2026 16:55:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 13:42:58.000226
• Title: Multi-Objective Generative Optimization via Expected Hypervolume Fine-Tuning
• Title（参考訳）: 期待されるハイパーボリュームファインチューニングによる多目的生成最適化
• Abstract要約: HVFT(Hypervolume Fine-Tuning)を導入し,1つの事前学習型ジェネレータを適応させて,サンプルの期待するハイパーボリュームを最大化する。 HVFTは、治療ペプチドおよび分子設計タスクにまたがって、最先端の予測超体積とトレードオフカバレッジを達成する。
• 参考スコア（独自算出の注目度）: 37.08384497184152
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scientific discovery requires plausible designs spanning useful trade-offs among competing properties: a molecule with strong binding affinity, for example, may be difficult to synthesize. Pretrained generative models, e.g., flow and diffusion generators, provide a foundation for proposing such designs, but steering them toward high-quality, complementary trade-offs remains challenging. Inference-time search incurs high per-sample costs, while fine-tuning typically relies on fixed per-candidate rewards that do not capture how designs complement one another. We introduce Hypervolume Fine-Tuning (HVFT), which adapts a single pretrained generator to maximize the expected hypervolume of its samples while controlling departure from the pretrained distribution. Expected hypervolume jointly rewards candidate quality and collective trade-off coverage. Nonetheless, we show that it cannot be expressed as the expectation of a fixed per-candidate reward and therefore cannot be optimized directly with standard techniques. A key observation of this work is that its first variation corresponds to the expected marginal hypervolume contribution of a candidate, which yields a tractable adaptive reward via an unbiased estimator based on model samples. HVFT uses this reward to decompose the objective into a sequence of KL-proximal scalar-reward subproblems. We establish concavity, relative smoothness, and convergence guarantees for the resulting distributional procedure. Across therapeutic-peptide and molecular design tasks spanning discrete diffusion and continuous flow-matching models, HVFT achieves state-of-the-art expected hypervolume and trade-off coverage.
• Abstract（参考訳）: 例えば強い結合親和性を持つ分子は合成が困難である。 事前訓練された生成モデルであるフロー・アンド・ディフュージョン・ジェネレータは、そのような設計を提案する基盤を提供するが、高品質で相補的なトレードオフに向けてそれらを操るのは難しい。 推測時間検索はサンプルあたりのコストが高く、微調整は典型的には、設計が相互に補完する方法を捉えない固定された候補毎の報酬に依存している。 HVFT(Hypervolume Fine-Tuning)を導入し,事前学習した分布からの逸脱を抑えつつ,サンプルの期待する超体積を最大化するために1個の事前学習した発電機を適応させる。 予想されるハイパーボリュームは、候補品質と全体的なトレードオフカバレッジを共同で報いる。 それにもかかわらず、固定された候補当たりの報酬の期待として表現することはできず、したがって標準技術では直接最適化できないことを示す。 この研究の鍵となる観察は、その最初の変異は、モデルサンプルに基づいた非バイアス推定器を介して、引き込み可能な適応報酬を得られる候補の予想限界超体積寄与に対応することである。 HVFTはこの報酬を使って目的をKL近位スカラー逆サブプロブレムの列に分解する。 我々は, 分布過程の共空性, 相対滑らか性, 収束性を保証する。 個別拡散モデルと連続流れマッチングモデルにまたがる治療・ペプチドおよび分子設計タスク全体にわたって、HVFTは最先端の予測超体積とトレードオフカバレッジを達成する。

関連論文リスト

• Multi-Mode Quantum Annealing for Variational Autoencoders with General Boltzmann Priors [0.21485350418225238]
  変分オートエンコーダ(VAE)は複雑なデータのコンパクトな潜在表現を学習する。 エネルギーベースの先例は、因数分解された仮定を超えるための原則化された方法を提供する。 本稿では,量子アニール法を用いてトレーニングしたBoltzmann-machineについて述べる。
  論文  参考訳（メタデータ） (2026-04-01T13:59:40Z)
• Alignment of Diffusion Model and Flow Matching for Text-to-Image Generation [39.484148941369234]
  拡散モデルとフローマッチングは、テキスト・画像生成において顕著な成功を収めた。 本稿では,アライメント問題の根底にある性質を活用することで,新しいアライメントフレームワークを提案する。 計算コストを60%以上削減した1ステップ生成のファインタニングモデルに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2026-01-31T00:06:55Z)
• Predict-Project-Renoise: Sampling Diffusion Models under Hard Constraints [5.539946449743145]
  物理法則や観測整合性などの厳しい制約を世代毎に適用する制約付きサンプリングフレームワークを導入する。 提案手法では,制約条件を満たすサンプルの集合にのみ拡散する制約付き前方過程を定義し,制約付き辺縁分布を誘導する。 本稿では,制約された辺縁領域から,予測と予測を交互に行い,実現可能なセットに投影し,再現性のあるアルゴリズムであるPredict-Project-Renoise (PPR)を提案する。
  論文  参考訳（メタデータ） (2026-01-28T20:50:19Z)
• Approximating Heavy-Tailed Distributions with a Mixture of Bernstein Phase-Type and Hyperexponential Models [0.20854674413792754]
  多くの現実世界の応用でよく見られる重い尾の分布は、その緩やかな尾の崩壊のために正確にモデル化することは困難である。 本稿では,BPHとHEの分布のハイブリッドモデルを提案する。
  論文  参考訳（メタデータ） (2025-10-30T14:16:43Z)
• G$^2$RPO: Granular GRPO for Precise Reward in Flow Models [74.21206048155669]
  本稿では,サンプリング方向の高精度かつ包括的な報酬評価を実現する新しいグラニュラー-GRPO(G$2$RPO)フレームワークを提案する。 複数の拡散スケールで計算された利点を集約するマルチグラニュラリティ・アドバンテージ・インテグレーション・モジュールを導入する。 G$2$RPOは既存のフローベースGRPOベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2025-10-02T12:57:12Z)
• Chance-constrained Flow Matching for High-Fidelity Constraint-aware Generation [46.932479632530764]
  Chance-Constrained Flow Matchingは、最適化をサンプリングプロセスに統合し、ハード制約の効果的な適用を可能にする。 実験により、CCFMは複雑な物理系のモデリングにおいて、現在の最先端の制約付き生成モデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-09-29T17:56:52Z)
• Progressive Inference-Time Annealing of Diffusion Models for Sampling from Boltzmann Densities [93.13866975467549]
  拡散に基づくサンプル学習のために, PITA(Progressive Inference-Time Annealing)を提案する。 PITAはボルツマン分布のアナーリングと拡散平滑化という2つの相補的手法を組み合わせたものである。 N-体粒子系、アラニンジペプチド、トリペプチドの平衡サンプリングを可能にする。
  論文  参考訳（メタデータ） (2025-06-19T17:14:22Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)

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。