論文の概要: Marginal-Preserving Coupled Diffusion Composition for Long-Horizon Planning
- arxiv url: http://arxiv.org/abs/2611.15585v1
- Date: Wed, 11 Nov 2026 15:07:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.177521
- Title: Marginal-Preserving Coupled Diffusion Composition for Long-Horizon Planning
- Title(参考訳): 長期計画のためのMarginal-Preserving Coupled Diffusion composition
- Abstract要約: マルチモーダル環境では、局所的な可視性はグローバルな整合性には不十分である。
textbfMarginal-Preserving textbfCoupled textbfDiffusion textbfCompositionを提案する。
- 参考スコア(独自算出の注目度): 23.350124130701946
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Compositional diffusion planners extend short-horizon trajectory models to long-horizon goal-conditioned planning by generating and stitching multiple local trajectory chunks. However, in multimodal environments, local plausibility is not sufficient for global consistency: independently initialized chunks may denoise toward incompatible overlap modes, producing plans that are individually feasible but incoherent after stitching. Existing remedies typically add search, guidance, pruning, or graph-based structure at inference time, increasing computational cost or relying on task-specific machinery. We instead investigate graph-structured dependence among chunk-wise initial diffusion noises as a lightweight coordination mechanism for compositional trajectory planning. We propose \textbf{M}arginal-Preserving \textbf{C}oupled \textbf{D}iffusion \textbf{C}omposition (MCDC), a training-free inference method for pretrained compositional diffusion planners. Instead of sampling chunk noises independently, MCDC constructs coupled Gaussian initializations whose per-chunk marginals remain exactly standard Gaussian, as required by the pretrained denoiser, while neighboring chunks receive positively correlated noise components. This preserves the standard-Gaussian initialization marginal of each chunk while biasing adjacent chunks toward compatible overlap-mode choices. We prove exact marginal preservation and show, under a simple multimodal overlap model, that positive coupling increases the probability of compatible mode selection. On OGBench long-horizon stitch tasks, MCDC consistently improves over independent compositional diffusion sampling while retaining nearly the same inference time, and achieves a favorable success--cost trade-off compared with search-based composition methods.
- Abstract(参考訳): 構成拡散プランナーは、複数の局所的軌道チャンクの生成と縫合により、短水平軌道モデルを長距離目標条件プランニングに拡張する。
しかし、マルチモーダル環境では、局所的な可視性はグローバルな整合性には不十分であり、独立に初期化されたチャンクは非互換なオーバーラップモードを軽視し、縫合後に個別に実現可能であるが不整合な計画を生成する。
既存の治療法は、通常、推論時に検索、ガイダンス、プルーニング、グラフベースの構造を追加し、計算コストを増やしたり、タスク固有の機械に依存したりする。
そこで我々は,構成軌道計画のための軽量な調整機構として,チャンクワイズ初期拡散雑音のグラフ構造依存性について検討した。
本稿では,事前学習した合成拡散プランナーのトレーニング自由推論手法である,textbf{M}arginal-Preserving \textbf{C}oupled \textbf{D}iffusion \textbf{C}omposition (MCDC)を提案する。
チャンクノイズを独立にサンプリングする代わりに、MCCは、チャンク毎の限界値が正規のガウス雑音のままである結合ガウス初期化を構築し、近隣のチャンクは正に相関する雑音成分を受信する。
これにより、各チャンクの標準ガウス初期化限界を保ちながら、隣接するチャンクを互換性のあるオーバーラップモード選択にバイアスする。
正の結合が相反するモード選択の確率を増大させることを, 単純なマルチモーダル重なりモデルで証明し, 正の結合が相反するモード選択の確率を高めることを示す。
OGBench長尺縫合作業では、MCCは、ほぼ同じ推論時間を維持しながら、独立した組成拡散サンプリングを継続的に改善し、検索ベースの合成法と比較して、良好な成功率のトレードオフを実現する。
関連論文リスト
- LLaCO: Continuous Diffusion for Large Language Models with Competition-Aware Semantic Scheduling [52.65086457153841]
連続拡散モデルは、連続的な埋め込み空間上でのテキスト生成のための有望な非自己回帰パラダイムとして登場した。
本稿では,ノルム崩壊の埋め込みによりユークリッド距離が急激なオーバーテイクをもたらすことを示す。
競合閾値理論(CTT)としてこれらのペアワイズ力学を定式化する。
コンペティブル・アウェア・セマンティック・スケジューリングを利用した生成フレームワークであるLLaCOを紹介する。
論文 参考訳(メタデータ) (2026-10-23T13:28:40Z) - Two-Stage Score Estimation for Group-Specific Diffusion Models [9.866550364280547]
本研究では,拡散伝達の統計的枠組みを構築し,目的別オフセットとともに共有プールスコアを解析する。
プール密度のベソフ正則性とオフセットの安定階層構成モデルの下では、これらの成分を学習するコストを分離する収束率を導出する。
拡散時間が 0 に近づくにつれて、オフセットが有界かつ連立正則であることを証明する。
論文 参考訳(メタデータ) (2026-10-14T21:49:03Z) - Hierarchical Exponential-Gaussian Mixtures for Watch-Time Distribution Prediction [74.05279072166697]
Exponential-Gaussian Mixture Network (EGMN) は完全な条件WT分布をモデル化する。
EGMNは分散崩壊、コンポーネントの冗長性、不活性成分に弱い。
本稿では,これらの故障モードに対処する階層型指数-ガウス混合(HEGM)モデルを提案する。
論文 参考訳(メタデータ) (2026-08-24T15:06:18Z) - From Atoms to Entropy: Optimal Noise Allocation for Diffusion Training in the Convex Regime [52.459513910242485]
拡散訓練における最適な雑音レベルアロケーションを研究するための一般統計フレームワークを開発する。
最適化されたトレーニングスケジュールは、有限個のノイズレベルに集中した原子最小値を持つことを示す。
次に,大規模実験におけるエントロピック・スケジュールの評価を行った。
論文 参考訳(メタデータ) (2026-07-10T20:59:06Z) - Simplifying Flow Matching Transformations with Low-Rank Mixture Models [58.797704398690165]
本稿では,確率的主成分分析器(MPPCA)の混合物を流動の正規化のための潜在密度として用いることを提案する。
我々は,KL分散の観点でデータ分布とより密接に一致した潜在分布を学習することにより,学習フロー変換を単純化する。
MPPCAモデルは期待最大化アルゴリズムを用いて迅速かつ安価に適合し、高次元生成タスクにおいても潜在分布を初期化するための実用的な選択となる。
論文 参考訳(メタデータ) (2026-06-29T03:03:06Z) - Stop the Sampler! Classifier-Based Adaptive Stopping for Sampling Kernels [7.242772259736366]
本稿では,軌道終端をサンプリング力学の学習可能なコンポーネントとして扱う新しいフレームワークを提案する。
非環状生成流ネットワーク(GFlowNets)の理論内でMCMCをフレーミングすることにより、状態依存型ニューラル分類器を訓練し、軌道が高密度領域に達して終了するかどうかを判断する。
論文 参考訳(メタデータ) (2026-06-15T00:18:21Z) - Complexity-Balanced Diffusion Splitting [20.558008394592097]
Complexity-Balanced Splitting (CBS)は、時間的キャパシティ割り当てのための原則的なフレームワークである。
CBSは拡散時間軸を等近似重みのセグメントに分割する。
CBSは、ステップごとの推論コストを増大させることなく、継続的に品質を向上する。
論文 参考訳(メタデータ) (2026-06-04T17:57:15Z) - Refining Compositional Diffusion for Reliable Long-Horizon Planning [31.40044829548484]
本研究では,高密度でグローバルなコヒーレントな計画に向けて,構成標本を操る学習自由誘導手法を提案する。
ローコモーション、オブジェクト操作、ピクセルベースの観察を含む、OGBenchからの長距離タスクへの挑戦実験は、RCDが既存の手法を一貫して上回ることを示した。
論文 参考訳(メタデータ) (2026-05-04T18:44:19Z) - Posterior Augmented Flow Matching [64.1559809786948]
後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である
PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
論文 参考訳(メタデータ) (2026-05-01T17:59:59Z) - Diffusion Generative Modelling for Divide-and-Conquer MCMC [0.0]
Divide-and-conquer MCMCはマルコフ連鎖モンテカルロサンプリングの並列化戦略である。
本稿では,拡散生成モデルを用いて後続分布に密度近似を適合させる手法を提案する。
論文 参考訳(メタデータ) (2024-06-17T15:48:46Z) - Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。
本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
論文 参考訳(メタデータ) (2023-06-27T08:15:28Z)
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。