扩散模型推理时多目标生成的分布式多目标黑箱优化

扩散模型在学习复杂数据分布方面取得了成功，这一能力驱动了其应用于高维多目标黑箱优化问题。现有方法常常将扩散模型外部地应用优化循环，如进化算法，从而将扩散模型当作黑箱精炼器来使用，这忽略了扩散生成过程中内部分布转换，限制了其效率。为此，我们提出了推理时多目标生成（Inference-time Multi-target Generation, IMG）算法，在推理时优化扩散过程以生成同时满足多个目标的样本。具体而言，我们 IMG 在扩散生成过程中根据预期聚合的多目标值进行加权重抽样。这种加权重抽样策略确保扩散生成的样本按照所需的多目标布尔尔分布分布。我们进一步推导，多目标布尔尔分布具有有趣的对数似然解释，即它是分布式多目标优化问题的最优解。我们为一个多目标分子生成任务实现了 IMG。实验表明，IMG 只需一次生成即可实现显著高于常需数百次扩散生成的基线优化算法的超体积。值得注意的是，我们的算法可被视为优化的扩散过程，可集成到现有方法中以进一步提升其性能。