Resumo Técnico: Imposição de Restrições em Amostragem Generativa via Agendamento Adaptativo de Correção

Declaração do Problema

Modelos generativos são cada vez mais aplicados em domínios que exigem que as saídas satisfaçam restrições rígidas, como síntese de trajetórias, planejamento robótico e geração estruturada. Nessas configurações, as amostras devem residir em variedades específicas definidas por estruturas geométricas, físicas ou específicas da tarefa. A abordagem padrão envolve executar o processo generativo no espaço ambiente e impor a viabilidade por meio de um operador de projeção.

A prática atual geralmente depende de duas estratégias binárias para o agendamento dessa projeção:

1. Correção Terminal: A projeção é aplicada apenas uma vez, no final do processo de amostragem.
2. Correção Passo a Passo: A projeção é aplicada após cada atualização generativa.

O artigo argumenta que essa estrutura binária ignora uma questão fundamental: as atualizações generativas são dependentes do estado. Uma vez que um processo de amostragem sai do conjunto de restrições, as atualizações subsequentes são computadas a partir de estados que uma trajetória restrita nunca visitaria. Embora uma projeção posterior possa restaurar a viabilidade no ponto final, ela não pode reverter a mudança distribucional induzida por esses estados intermediários fora da variedade. Consequentemente, amostras corrigidas no final são frequentemente viáveis, mas dinamicamente inconsistentes com a dinâmica de amostragem pretendida. O problema central é reestruturado como um problema de agendamento de correção: como alocar um orçamento limitado de operações de projeção ao longo de um processo de amostragem para preservar a consistência da trajetória, em vez de apenas garantir a viabilidade no ponto final.

Metodologia: Agendamento Adaptativo de Correção

Os autores propõem o Agendamento Adaptativo de Correção, uma política dependente do estado que trata a imposição de restrições como um problema de alocação de recursos. O método opera online sem exigir gradientes através do operador de projeção ou o re-treinamento do modelo generativo.

Mecanismo Central

O agendador aloca um orçamento fixo $B$ de chamadas de projeção ao longo de um processo de amostragem de comprimento $T$. Em cada passo $t$, o agendador:

1. Propõe uma atualização de estado $\tilde{x}_{t+1} = \Phi_h(x_t)$ usando o operador generativo aprendido.
2. Computa um defeito de restrição de um passo $s_t = d(\tilde{x}_{t+1}, \mathcal{M})$, medindo a distância do estado proposto em relação ao conjunto de restrições $\mathcal{M}$.
3. Decide se deve projetar com base em um limiar consciente do orçamento $\lambda_{t,b}$, onde $b$ é o orçamento restante.

A regra de atualização é:
$$x_{t+1} = \begin{cases} \Pi(\tilde{x}_{t+1}) & \text{se } b > 0 \text{ e } s_t \ge \lambda_{t,b} \\ \tilde{x}_{t+1} & \text{caso contrário} \end{cases}$$

Construção do Limiar

Os limiares $\lambda_{t,b}$ são pré-computados usando processos de amostragem de calibração mantidos de fora. Eles representam o valor marginal de gastar uma correção no tempo $t$ com $b$ correções restantes. Especificamente, $\lambda_{t,b}$ é definido como um quantil da distribuição futura de defeitos, garantindo que o agendador reserve orçamento para eventos de alto defeito mais tarde no processo de amostragem. Isso previne o "modo de falha" de regras de limiar fixo, que podem esgotar o orçamento em defeitos moderados iniciais, deixando o agendador incapaz de corrigir desvios maiores e mais críticos posteriormente.

Casos Especiais

Este quadro unifica estratégias existentes como casos limites:

• Correção Terminal: Alcançada definindo todos os limiares para $+\infty$ (nenhuma projeção até o final).
• Correção Passo a Passo: Alcançada definindo todos os limiares viáveis para $0$ (projetar em cada passo).
• Correção Periódica: Uma estratégia de alocação uniforme que serve como a principal linha de base.

Principais Contribuições

1. Tempo como Variável de Projeto: O artigo demonstra que a correção atrasada altera a distribuição de atualizações futuras, produzindo desvios no ponto final que a projeção terminal sozinha não pode resolver. O momento da restrição é identificado como uma variável de projeto de primeira classe na amostragem generativa.
2. Formulação de Alocação de Orçamento: A imposição de restrições é formalizada como um problema de alocação orçamentada ao longo do tempo. Isso permite a comparação direta de estratégias terminal, periódica e adaptativa sob orçamentos computacionais correspondentes.
3. Defeito como Proxy de Valor: Os autores mostram que o defeito de restrição de um passo serve como um proxy online eficaz para a distorção da trajetória a jusante. Ao gastar correções em passos de alto defeito, o agendador aproxima a alocação ótima de recursos limitados de projeção.
4. Fronteira Custo-Precisão Melhorada: O agendamento adaptativo proposto melhora o compromisso entre o custo da projeção e a precisão da trajetória. Ele recupera a fidelidade próxima ao passo a passo enquanto usa significativamente menos chamadas de projeção.

Resultados Experimentais

O método foi avaliado em processos de amostragem em variedades controladas (domínios SO(3), SE(3) e Terreno) e em um amostrador de Modelo de Difusão Projetado Aprendido (PDM).

• Processos de Amostragem em Variedades: Em domínios com defeito concentrado (por exemplo, variantes "Impulso" ou "Crista" onde os erros ocorrem em rajadas específicas), o agendamento adaptativo superou significativamente a correção periódica. Com um orçamento fixo de $B/T \approx 0,25$, o agendamento adaptativo reduziu o Erro de Caminho Excessivo Normalizado (NEPE) em 41% em comparação com a correção periódica no domínio SE(3)-Alavanca.
• Modelos de Difusão Projetados: Quando aplicado a um amostrador PDM existente, o agendamento adaptativo recuperou 71,2% do benefício completo passo a passo enquanto usava apenas 25% das chamadas de projeção (uma redução de 75% no custo). Em contraste, a correção periódica no mesmo orçamento recuperou apenas 51,4% do benefício.
• Generalização: Os resultados indicam que as violações de restrição são altamente heterogêneas ao longo do tempo. Corrigir seletivamente passos de alto defeito supera consistentemente estratégias uniformes, particularmente quando o perfil de defeito é volátil.

Significado e Alegações

O artigo alega que impor apenas a viabilidade é insuficiente para preservar a dinâmica de amostragem restrita pretendida. A principal contribuição é a demonstração de que o momento da restrição é um grau de liberdade fundamental na amostragem generativa.

Os autores afirmam que:

• A projeção não é meramente uma operação de viabilidade, mas uma intervenção na dinâmica. Atrasá-la altera os estados a partir dos quais as atualizações futuras são computadas.
• O agendamento adaptativo permite que os praticantes gastem esforço de correção onde mais importa (regiões de alto defeito) em vez de uniformemente ou apenas no final.
• Esta abordagem é agnóstica ao modelo, não requer computação de gradiente através da projeção e introduz sobrecarga negligenciável além da avaliação do defeito.

O trabalho sugere que a geração restrita futura deve tratar as operações de viabilidade como intervenções em nível de trajetória, reconhecendo que o caminho percorrido para alcançar uma amostra viável é tão crítico quanto a própria amostra.