Resumen Técnico: Aplicación de Restricciones en el Muestreo Generativo mediante Programación Adaptativa de Correcciones

Enunciado del Problema

Los modelos generativos se aplican cada vez más en dominios que requieren que las salidas satisfagan restricciones estrictas, como la síntesis de trayectorias, la planificación robótica y la generación estructurada. En estos entornos, las muestras deben situarse en variedades específicas definidas por estructuras geométricas, físicas o específicas de la tarea. El enfoque estándar consiste en ejecutar el proceso generativo en el espacio ambiente y hacer cumplir la factibilidad mediante un operador de proyección.

La práctica actual suele depender de dos estrategias binarias para el momento de esta proyección:

1. Corrección Terminal: La proyección se aplica únicamente una vez al final del despliegue de muestreo.
2. Corrección Paso a Paso: La proyección se aplica después de cada actualización generativa.

El artículo argumenta que este encuadre binario pasa por alto un problema fundamental: las actualizaciones generativas dependen del estado. Una vez que un despliegue sale del conjunto de restricciones, las actualizaciones subsiguientes se calculan a partir de estados que una trayectoria restringida nunca visitaría. Aunque una proyección posterior puede restaurar la factibilidad en el punto final, no puede revertir el desplazamiento distribucional inducido por estos estados intermedios fuera de la variedad. En consecuencia, las muestras corregidas terminalmente suelen ser factibles, pero dinámicamente inconsistentes con la dinámica de muestreo prevista. El problema central se reencuadra como un problema de programación de correcciones: cómo asignar un presupuesto limitado de operaciones de proyección a lo largo de un despliegue para preservar la consistencia de la trayectoria, en lugar de simplemente garantizar la factibilidad del punto final.

Metodología: Programación Adaptativa de Correcciones

Los autores proponen la Programación Adaptativa de Correcciones, una política dependiente del estado que trata la aplicación de restricciones como un problema de asignación de recursos. El método opera en línea sin requerir gradientes a través del operador de proyección ni reentrenar el modelo generativo.

Mecanismo Central

El programador asigna un presupuesto fijo $B$ de llamadas a proyección a lo largo de un despliegue de longitud $T$. En cada paso $t$, el programador:

1. Propone una actualización de estado $\tilde{x}_{t+1} = \Phi_h(x_t)$ utilizando el operador generativo aprendido.
2. Calcula un defecto de restricción de un paso $s_t = d(\tilde{x}_{t+1}, \mathcal{M})$, que mide la distancia del estado propuesto respecto al conjunto de restricciones $\mathcal{M}$.
3. Decide si proyectar basándose en un umbral consciente del presupuesto $\lambda_{t,b}$, donde $b$ es el presupuesto restante.

La regla de actualización es:
$$x_{t+1} = \begin{cases} \Pi(\tilde{x}_{t+1}) & \text{si } b > 0 \text{ y } s_t \ge \lambda_{t,b} \\ \tilde{x}_{t+1} & \text{en caso contrario} \end{cases}$$

Construcción del Umbral

Los umbrales $\lambda_{t,b}$ se precalculan utilizando despliegues de calibración retenidos. Representan el valor marginal de gastar una corrección en el tiempo $t$ con $b$ correcciones restantes. Específicamente, $\lambda_{t,b}$ se establece en un cuantil de la distribución futura de defectos, asegurando que el programador reserve presupuesto para eventos de alto defecto más adelante en el despliegue. Esto previene el "modo de fallo" de las reglas de umbral fijo, que podrían agotar el presupuesto en defectos moderados tempranos, dejando al programador incapaz de corregir desviaciones mayores y más críticas más adelante.

Casos Especiales

Este marco unifica las estrategias existentes como casos límite:

• Corrección Terminal: Se logra estableciendo todos los umbrales en $+\infty$ (sin proyección hasta el final).
• Corrección Paso a Paso: Se logra estableciendo todos los umbrales factibles en $0$ (proyectar en cada paso).
• Corrección Periódica: Una estrategia de asignación uniforme que sirve como línea base principal.

Contribuciones Clave

1. El Momento como Variable de Diseño: El artículo demuestra que la corrección retrasada altera la distribución de las actualizaciones futuras, produciendo desviaciones en el punto final que la proyección terminal por sí sola no puede resolver. El momento de la restricción se identifica como una variable de diseño de primera clase en el muestreo generativo.
2. Formulación de Asignación de Presupuesto: La aplicación de restricciones se formaliza como un problema de asignación presupuestada a lo largo del tiempo. Esto permite la comparación directa de estrategias terminales, periódicas y adaptativas bajo presupuestos computacionales coincidentes.
3. Defecto como Proxy de Valor: Los autores muestran que el defecto de restricción de un paso sirve como un proxy en línea efectivo para la distorsión de la trayectoria aguas abajo. Al gastar correcciones en pasos de alto defecto, el programador aproxima la asignación óptima de recursos limitados de proyección.
4. Frontera Mejorada Costo-Precisión: La programación adaptativa propuesta mejora la compensación entre el costo de proyección y la precisión de la trayectoria. Recupera una fidelidad cercana a la paso a paso mientras utiliza significativamente menos llamadas a proyección.

Resultados Experimentales

El método se evaluó en despliegues de variedades controladas (dominios SO(3), SE(3) y Terreno) y en un muestreador de Modelo de Difusión Proyectado (PDM) aprendido.

• Despliegues en Variedades: En dominios con defecto concentrado (por ejemplo, variantes "Impulso" o "Cresta" donde los errores ocurren en ráfagas específicas), la programación adaptativa superó significativamente a la corrección periódica. Con un presupuesto fijo de $B/T \approx 0.25$, la programación adaptativa redujo el Error de Trayectoria Excesiva Normalizado (NEPE) en un 41% en comparación con la corrección periódica en el dominio SE(3)-Palanca.
• Modelos de Difusión Proyectados: Cuando se aplicó a un muestreador PDM existente, la programación adaptativa recuperó el 71.2% del beneficio completo paso a paso mientras utilizaba solo el 25% de las llamadas a proyección (una reducción del 75% en el costo). En contraste, la corrección periódica con el mismo presupuesto recuperó solo el 51.4% del beneficio.
• Generalización: Los resultados indican que las violaciones de restricciones son altamente heterogéneas en el tiempo. Corregir selectivamente los pasos de alto defecto supera consistentemente a las estrategias uniformes, particularmente cuando el perfil de defectos es volátil.

Significado y Afirmaciones

El artículo afirma que hacer cumplir la factibilidad por sí sola es insuficiente para preservar la dinámica de muestreo restringido prevista. La contribución principal es la demostración de que el momento de la restricción es un grado de libertad fundamental en el muestreo generativo.

Los autores afirman que:

• La proyección no es meramente una operación de factibilidad, sino una intervención en la dinámica. Retrasarla cambia los estados desde los cuales se calculan las actualizaciones futuras.
• La programación adaptativa permite a los profesionales gastar el esfuerzo de corrección donde más importa (regiones de alto defecto) en lugar de hacerlo de manera uniforme o solo al final.
• Este enfoque es agnóstico al modelo, no requiere cálculo de gradientes a través de la proyección e introduce una sobrecarga insignificante más allá de la evaluación del defecto.

El trabajo sugiere que la generación restringida futura debe tratar las operaciones de factibilidad como intervenciones a nivel de trayectoria, reconociendo que el camino recorrido para alcanzar una muestra factible es tan crítico como la muestra en sí misma.