Diffusionsmodelle mit harten Constraints: Neue stochastische Leitlinien

Forscher haben einen innovativen Ansatz entwickelt, um Diffusionsmodelle gezielt unter harten Constraints zu steuern – Bedingungen, die mit Wahrscheinlichkeit eins erfüllt sein müssen. Diese Technik ist besonders relevant für sicherheitskritische Anwendungen und die Simulation seltener Ereignisse, wo herkömmliche Soft‑Guidance‑Methoden keine Garantie bieten.

Der neue Rahmen nutzt die probabilistische Interpretation von Diffusionsmodellen und kombiniert Doob’s h‑Transform, Martingale‑Darstellung und quadratische Variation. Dadurch entsteht ein expliziter Drift‑Korrekturterm, der auf dem logarithmischen Gradienten einer Konditionierungsfunktion basiert, ohne das vortrainierte Score‑Netzwerk zu verändern.

Auf Basis von Martingale‑ und quadratischer‑Variationsidentitäten wurden zwei off‑policy Lernalgorithmen vorgestellt: ein Martingale‑Loss und ein Martingale‑Covariation‑Loss. Beide Verfahren schätzen die h‑Funktion und ihren Gradient ausschließlich aus Trajektorien des vortrainierten Modells.

Die Autoren liefern nicht‑asymptotische Garantien für den resultierenden Conditional Sampler in Total‑Variation‑ und Wasserstein‑Abständen. Dabei wird der Einfluss von Score‑Approximationen und Guidance‑Fehlern explizit quantifiziert.

Numerische Experimente zeigen, dass die vorgeschlagenen Methoden harte Constraints zuverlässig einhalten und gleichzeitig seltene Ereignisse effizient generieren können. Diese Fortschritte eröffnen neue Möglichkeiten für sichere und präzise generative Modelle in kritischen Anwendungsfeldern.