通过经典搜索实现扩散模型的推理时缩放
机器学习
2025-10-07 v2 机器学习
摘要
经典搜索算法长期以来一直是现代人工智能的基石。在本工作中，我们利用经典搜索原理，应对扩散模型推理时控制的挑战——即调整生成输出以满足多样的测试时目标。我们提出了一个通用框架，协调局部搜索与全局搜索以高效地探索生成空间。该框架采用基于退火 Langevin MCMC 的具有理论依据的局部搜索，并利用广度优先和深度优先树搜索执行计算高效的全局探索。我们在包括规划、离线强化学习和图像生成在内的多个具有挑战性的领域评估了该方法。在所有任务中，我们在性能和效率上均观察到显著提升。这些结果表明，经典搜索为扩散模型的推理时缩放提供了有原则且实用的基础。项目页面见 https://diffusion-inference-scaling.github.io/。
引用
@article{arxiv.2505.23614,
title = {Inference-time Scaling of Diffusion Models through Classical Search},
author = {Xiangcheng Zhang and Haowei Lin and Haotian Ye and James Zou and Jianzhu Ma and Yitao Liang and Yilun Du},
journal= {arXiv preprint arXiv:2505.23614},
year = {2025}
}
备注
Website at https://diffusion-inference-scaling.github.io/