Technische Samenvatting: Handhaving van Beperkingen bij Generatieve Sampling via Adaptieve Correctieschema's

Probleemstelling

Generatieve modellen worden steeds vaker toegepast in domeinen waaruitvoer moet voldoen aan harde beperkingen, zoals trajectsynthese, robotplanning en gestructureerde generatie. In deze situaties moeten steekproeven liggen op specifieke variëteiten die worden gedefinieerd door geometrische, fysische of taakspecifieke structuren. De standaardbenadering bestaat uit het uitvoeren van het generatieve proces in de omringende ruimte en het afdwingen van haalbaarheid via een projectie-operator.

De huidige praktijk vertrouwt doorgaans op twee binaire strategieën voor het timen van deze projectie:

1. Eindcorrectie: Projectie wordt slechts één keer toegepast aan het einde van de sampling-uitrol.
2. Stapsgewijze correctie: Projectie wordt na elke generatieve update toegepast.

Het artikel betoogt dat deze binaire framing een fundamenteel probleem over het hoofd ziet: generatieve updates zijn staat-afhankelijk. Zodra een uitrol de beperkingenverzameling verlaat, worden daaropvolgende updates berekend vanuit staten die een beperkt traject nooit zou bezoeken. Hoewel een latere projectie haalbaarheid aan het eindpunt kan herstellen, kan het de distributieve verschuiving die wordt veroorzaakt door deze staten buiten de variëteit in de tussenliggende stappen niet ongedaan maken. Bijgevolg zijn terminaal gecorrigeerde steekproeven vaak haalbaar, maar dynamisch inconsistent met de beoogde sampling-dynamiek. Het kernprobleem wordt herformuleerd als een correctieschema-probleem: hoe een beperkt budget aan projectie-operaties over een uitrol te verdelen om trajectconsistentie te behouden, in plaats van louter eindpunt-haalbaarheid te garanderen.

Methodologie: Adaptieve Correctieschema's

De auteurs stellen Adaptieve Correctieschema's voor, een staat-afhankelijk beleid dat beperkingenhandhaving behandelt als een probleem van middelenallocatie. De methode werkt online zonder dat gradiënten door de projectie-operator nodig zijn of het generatieve model opnieuw getraind moet worden.

Kernmechanisme

De planner verdeelt een vast budget $B$ aan projectieoproepen over een uitrol van lengte $T$. Bij elke stap $t$:

1. Stelt de planner een statupdate voor $\tilde{x}_{t+1} = \Phi_h(x_t)$ met behulp van de geleerde generatieve operator.
2. Berekent een één-staps beperkingsdefect $s_t = d(\tilde{x}_{t+1}, \mathcal{M})$, waarbij de afstand van de voorgestelde staat tot de beperkingsverzameling $\mathcal{M}$ wordt gemeten.
3. Beslist of er geprojecteerd moet worden op basis van een budgetbewuste drempel $\lambda_{t,b}$, waarbij $b$ het resterende budget is.

De update-regel is:
$$x_{t+1} = \begin{cases} \Pi(\tilde{x}_{t+1}) & \text{als } b > 0 \text{ en } s_t \ge \lambda_{t,b} \\ \tilde{x}_{t+1} & \text{anders} \end{cases}$$

Constructie van Drempels

De drempels $\lambda_{t,b}$ worden vooraf berekend met behulp van vastgehouden kalibratie-uitrollen. Ze vertegenwoordigen de marginale waarde van het besteden van een correctie op tijdstip $t$ met $b$ resterende correcties. Specifiek wordt $\lambda_{t,b}$ ingesteld op een quantiel van de toekomstige defectverdeling, zodat de planner budget reserveert voor hoog-defect gebeurtenissen later in de uitrol. Dit voorkomt de "faalmodus" van vaste-drempelregels, die het budget zouden kunnen uitputten aan gematigde vroege defecten, waardoor de planner niet in staat is om latere, grotere en kritiekere afwijkingen te corrigeren.

Speciale Gevallen

Dit kader verenigt bestaande strategieën als limietgevallen:

• Eindcorrectie: Bereikt door alle drempels op $+\infty$ te stellen (geen projectie tot het einde).
• Stapsgewijze correctie: Bereikt door alle haalbare drempels op $0$ te stellen (projectie bij elke stap).
• Periodieke correctie: Een uniforme allocatiestrategie die dient als primaire baseline.

Belangrijkste Bijdragen

1. Timing als Ontwerpvriable: Het artikel toont aan dat vertraagde correctie de verdeling van toekomstige updates verandert, wat leidt tot eindpunt-afwijkingen die alleen door terminale projectie niet kunnen worden opgelost. Beperkingstiming wordt geïdentificeerd als een eerste klas ontwerpvriable in generatieve sampling.
2. Formulering van Budgetallocatie: Beperkingenhandhaving wordt geformaliseerd als een gebudgetteerde allocatieprobleem over tijd. Dit maakt directe vergelijking mogelijk van terminale, periodieke en adaptieve strategieën onder gelijkgestemde computatiebudgetten.
3. Defect als Waardeproxy: De auteurs tonen aan dat het één-staps beperkingsdefect dient als een effectieve online proxy voor downstream trajectvervorming. Door correcties uit te geven aan stappen met hoog defect, benadert de planner de optimale allocatie van beperkte projectiemiddelen.
4. Verbeterde Kosten–Nauwkeurigheidsfrontier: Het voorgestelde adaptieve schema verbetert de afweging tussen projectiekosten en trajectnauwkeurigheid. Het herstelt bijna stapsgewijze fideliteit terwijl aanzienlijk minder projectieoproepen worden gebruikt.

Experimentele Resultaten

De methode werd geëvalueerd over gecontroleerde variëteit-uitrollen (SO(3), SE(3) en Terrain-domeinen) en een geleerde Projected Diffusion Model (PDM) sampler.

• Variëteit-uitrollen: In domeinen met geconcentreerd defect (bijvoorbeeld "Impulse" of "Ridge" varianten waar fouten optreden in specifieke bursts) presteerde adaptief schema significant beter dan periodieke correctie. Bij een vast budget van $B/T \approx 0.25$, verminderde adaptief schema de Genormaliseerde Excess Path Error (NEPE) met 41% ten opzichte van periodieke correctie in het SE(3)-Lever domein.
• Projected Diffusion Models: Wanneer toegepast op een bestaande PDM-sampler, herstelde adaptief schema 71,2% van het volledige stapsgewijze voordeel terwijl slechts 25% van de projectieoproepen werd gebruikt (een reductie van 75% in kosten). Daarentegen herstelde periodieke correctie bij hetzelfde budget slechts 51,4% van het voordeel.
• Generalisatie: De resultaten geven aan dat beperkingsschendingen in de tijd sterk heterogeen zijn. Selectief corrigeren van stappen met hoog defect presteert consequent beter dan uniforme strategieën, vooral wanneer het defectprofiel volatiel is.

Betekenis en Claims

Het artikel stelt dat het afdwingen van haalbaarheid alleen niet voldoende is om de beoogde beperkte sampling-dynamiek te behouden. De primaire bijdrage is de demonstratie dat beperkingstiming een fundamentele vrijheidsgraad is in generatieve sampling.

De auteurs stellen het volgende:

• Projectie is niet louter een haalbaarheidsoperatie maar een ingrijpen in de dynamiek. Het uitstellen ervan verandert de staten waaruit toekomstige updates worden berekend.
• Adaptief schema stelt praktici in staat correctie-inspanningen te besteden waar het het meest uitmaakt (regio's met hoog defect) in plaats van uniform of alleen aan het einde.
• Deze aanpak is model-onafhankelijk, vereist geen gradiëntberekening door de projectie en introduceert verwaarloosbare overhead bovenop defectevaluatie.

Het werk suggereert dat toekomstige beperkte generatie haalbaarheidsoperaties moet behandelen als ingrepen op trajectniveau, waarbij wordt erkend dat het pad dat wordt afgelegd om een haalbare steekproef te bereiken even kritiek is als de steekproef zelf.