分布式多目标黑盒优化用于扩散模型推断时间多目标生成

于红博

摘要: 扩散模型在学习复杂数据分布方面取得了成功。这种能力推动了它们在高维多目标黑盒优化问题中的应用。现有方法通常采用外部优化循环，如进化算法，来优化扩散模型。然而，这些方法将扩散模型视为黑盒细化器，忽视了扩散生成过程中内部分布转换，限制了它们的效率。为了应对这些挑战，我们提出了推理时多目标生成（IMG）算法，在推理时优化扩散过程，生成同时满足多个目标的样本。具体来说，我们的IMG根据预期的聚合多目标值在扩散生成过程中执行加权重抽样。这种加权重抽样策略确保扩散生成的样本按照我们期望的多目标Boltzmann分布进行分布。我们进一步推导出多目标Boltzmann分布具有有趣的对数似然解释，它是分布多目标优化问题的最优解。我们将IMG应用于多目标分子生成任务。实验表明，只需要进行一次生成通道的IMG比通常需要数百次扩散生成的基准优化算法实现了显著更高的hypevolume。值得注意的是，我们的算法可以被视为一个优化的扩散过程，并可以集成到现有方法中以进一步提高它们的性能。

更新时间: 2025-10-30 09:00:42

领域: cs.LG,cs.AI

下载: http://arxiv.org/abs/2510.26278v1