Core Concepts
확산 모델의 사전 학습된 스코어 함수를 활용하여 사용자 정의 목적 함수에 따라 생성된 샘플을 최적화할 수 있는 경사 가이드 기법을 제안한다. 이 기법은 생성된 샘플의 잠재 부공간 구조를 유지하면서도 목적 함수 값을 향상시킬 수 있다.
Abstract
이 논문은 확산 모델을 이용한 생성적 최적화에 대해 다룬다. 확산 모델은 사전 학습된 스코어 함수를 통해 데이터의 잠재 부공간 구조를 학습할 수 있다. 이 논문에서는 사전 학습된 확산 모델에 사용자 정의 목적 함수의 경사를 활용하여 가이드하는 기법을 제안한다.
데이터가 저차원 잠재 부공간에 존재한다고 가정한다. 이 경우 사전 학습된 스코어 함수는 부공간 내의 성분과 부공간에 수직인 성분으로 분해될 수 있다.
단순히 목적 함수의 경사를 직접 가이드에 사용하면 생성된 샘플의 잠재 부공간 구조를 훼손할 수 있다. 이를 해결하기 위해 사전 학습된 스코어 함수를 활용한 전방 예측 손실 기반의 경사 가이드를 제안한다.
제안한 경사 가이드를 활용하여 사전 학습된 확산 모델을 반복적으로 fine-tuning하는 알고리즘을 제안한다. 이 알고리즘은 기대값 관점에서 볼 때 볼록 목적 함수에 대해 O(1/K) 수렴 속도를 보장한다.
실험 결과를 통해 제안한 경사 가이드 기법이 생성된 샘플의 잠재 부공간 구조를 유지하면서도 목적 함수 값을 향상시킬 수 있음을 보인다.
Stats
생성된 샘플의 기대값이 볼록 목적 함수에 대해 O(1/K) 수렴 속도를 보인다.
제안한 경사 가이드 기법은 생성된 샘플의 잠재 부공간 구조를 잘 유지한다.
Quotes
"확산 모델은 데이터의 잠재 부공간을 학습할 수 있지만, 외부 목적 함수의 경사를 샘플 과정에 명시적으로 추가하면 생성된 샘플의 구조가 훼손될 수 있다."
"우리는 사전 학습된 스코어 함수를 활용한 전방 예측 손실 기반의 경사 가이드를 고려한다. 이를 통해 생성된 샘플의 잠재 구조를 보존할 수 있다."