PROUD：面向多目标生成的PaRetO-gUided 扩散模型
机器学习
2024-07-08 v1
摘要
近期的深度生成模型研究聚焦于生成满足多个期望属性的样本。然而，现有方法常独立优化这些属性函数，从而忽略它们之间的权衡。此外，属性优化常被不恰当地集成到生成模型中，导致对生成质量 (即生成样本的质量) 产生不必要的妥协。为此，我们提出约束优化问题，旨在在确保生成样本位于多个属性目标的 Pareto 前沿的同时优化生成质量。这种表述使得能够生成在冲突的属性函数上无法再同时提高的样本，并保持生成样本的良好质量。基于此表述，我们引入了PaRetO-gUided扩散模型 (PROUD)，其中在去噪过程中动态调整梯度，以提升生成质量的同时确保生成样本满足 Pareto 最优性。在图像生成和蛋白质生成任务上的实验评估表明，与各种基线相比，PROUD 在多个属性函数上始终保持优异的生成质量，并接近 Pareto 最优性。
引用
@article{arxiv.2407.04493,
title = {PROUD: PaRetO-gUided Diffusion Model for Multi-objective Generation},
author = {Yinghua Yao and Yuangang Pan and Jing Li and Ivor Tsang and Xin Yao},
journal= {arXiv preprint arXiv:2407.04493},
year = {2024}
}