トレーニングフリー ガイダンス (TFG) は、スタンフォード大学、北京大学、清華大学などの研究チームが共同で 2024 年に提案する新しい統一アルゴリズム フレームワークです。関連する論文結果は「TFG: 普及モデルのためのトレーニング不要の統合ガイダンス」が NeurIPS 2024 の Spotlight に採択されました。このフレームワークは、条件付き生成の分野における拡散モデルの困難な問題を解決することを目的としています。つまり、特定の条件 (ラベル、属性、エネルギー分布など) を満たすサンプルを生成するには、通常、ターゲットごとに専用の生成モデルをトレーニングする必要があります。この方法はリソースを消費するだけでなく、拡散モデルの実際の応用可能性も制限します。
TFG フレームワークの中核となる革新には、次の 3 つの側面が含まれます。
- 統一されたデザイン空間:TFG は、既存のアルゴリズムを特殊なケースとして扱う、トレーニング不要の一般的なガイド付き設計空間を提案します。この統一された視点により、さまざまなアルゴリズムの比較が簡素化されるだけでなく、設計領域が拡張されてパフォーマンスも向上します。具体的には、TFG は多次元のハイパーパラメータ設計に基づいており、複数のバリエーションのガイダンス方法をカバーし、タスクの適応に柔軟性を提供します。
- 効率的なハイパーパラメータ検索戦略: 多目的で多様なタスク シナリオに対処するために、TFG は効率的なハイパーパラメータ検索戦略を導入します。このフレームワークの下では、ユーザーは複雑なパラメータ調整プロセスを必要とせずに、自動化された戦略を通じて最適なハイパーパラメータの組み合わせを迅速に決定し、さまざまな下流タスクに適応できます。
- 包括的なベンチマーク: TFG フレームワークは、16 のタスクと画像、分子、音声などの 40 の特定のターゲットを含む 7 つの拡散モデルについて広範な実験を実行しました。実験結果は、TFG の平均パフォーマンスが 8.5% 向上し、複数のタスクにおける既存の最良の方法を上回っていることを示しています。