ダブル・ガイダンスによる拡散モデル：集約データセットで生成する

要旨: 高性能な生成モデルの学習のために大規模なデータセットを作成することは、特に属性やアノテーションを提供する必要がある場合、しばしば過度に費用がかかります。そのため、既存のデータセットを統合することが一般的な戦略になっています。しかし、データセット間での属性の集合はしばしば一貫しておらず、素朴な単純連結は通常、ブロック単位で条件が欠落した状態につながります。これは、複数の属性を条件として同時に用いる際の条件付き生成モデリングにとって重要な課題であり、それによりモデルの制御性と適用可能性が制限されます。
この問題に対処するため、我々は新しい生成アプローチ、Double Guidance を備えた拡散モデル（Diffusion Model with Double Guidance）を提案します。この手法は、学習サンプルにすべての条件が同時に含まれていない場合でも、正確な条件付き生成を可能にします。我々の方法は、ジョイントのアノテーションを必要とせずに、複数の条件に対する厳密な制御を維持します。分子生成および画像生成のタスクにおいて、その有効性を示します。そこでは、本手法は、目標とする条件付き分布との整合性および条件が欠落している設定下での制御性の両方において、既存のベースラインを上回ります。