概要: ガイダンスは現代の拡散モデルにおける基盤であり、条件付き生成において重要な役割を果たすとともに、無条件サンプルの品質を向上させます。しかし、現在のガイダンススケジューリングのアプローチ――適切なガイダンス重みを決定すること――は主として経験則に基づいており、堅固な理論的基盤を欠いています。本研究はこれらの制約に対して二つの側面から取り組みます。第一に、ガイダンスの強さと分類器の確信度（confidence）の関係を正確に特徴づける理論的な形式化を提示します。第二に、この洞察に基づき、ガイダンススケジューリングを適応的な最適化問題として捉える確率的な最適制御の枠組みを導入します。この定式化では、ガイダンスの強さは固定されず、時間、現在のサンプル、条件付けクラスに応じて動的に選択されます（独立に、または組み合わせて）。この制御問題を解くことで、拡散モデルにおけるより効果的なガイダンスのための原理に基づく基盤を確立します。
確率的最適制御による適応的拡散ガイダンス
arXiv stat.ML / 2026/4/2
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は、拡散ガイダンスのスケジューリングがしばしば経験則に基づいており、ガイダンス強度と分類器の確信（confidence）の間に厳密な理論的な結びつきが欠けていると主張する。
- 分類器の確信とガイダンス強度の関係を形式化し、理論に基づいてガイダンス設計を根拠づけることを目指す。
- その洞察を用いて、ガイダンスのスケジューリングを動的で適応的な最適化問題として扱う、確率的最適制御の枠組みを提案する。
- 提案手法では、ガイダンス強度は時間とともに変化し得て、現在のサンプルや条件付けクラスに応じて、単独でも、あるいは共同で決まる。
- 制御問題を解くことで、本研究は拡散モデルにおけるガイダンス有効性を改善するための、筋の通った（原理に基づく）基盤を提供できると主張する。
