SURGE: Diffusion Surrogate를 위한 근사 없는 Training-Free 입자 필터 (Particle Filter)

확산 기반 생성 모델 (Diffusion-based generative models)은 작업 특정 목적 (task-specific objectives)에 대한 샘플 품질을 향상시키기 위해, 드리프트 항 (drift term)을 추가하거나 전문가 혼합 (mixture of experts)을 재가중하는 방식과 같은 추론 시간 가이드 (inference-time guidance)에 점점 더 많이 의존하고 있습니다. 그러나 기존의 대부분의 기술은 반복적인 스코어 (score) 또는 그래디언트 (gradient) 평가를 요구하며, 이는 편향 (bias), 높은 계산 오버헤드 (computational overhead), 또는 두 가지 모두를 유발합니다. 본 논문에서는 Girsanov 추정 (Girsanov Estimation)을 통한 편향 없는 재표집 (Unbiased Resampling via Girsanov Estimation, exttt{URGE})을 소개합니다. 이는 Girsanov 측도 변화 (Girsanov change of measure)를 통해 경로별 중요도 재가중 (path-wise importance reweighting)을 수행하는 미분 불필요 (derivative-free) 추론 시간 스케일링 알고리즘입니다. 이전 연구에서 그래디언트 기반의 입자 가중치 (particle weights)를 계산했던 것과 달리, exttt{URGE}는 각 시뮬레이션된 궤적 (trajectory)에 간단한 곱셈 가중치 (multiplicative weight)를 부착하고 주기적으로 재표집 (resample)합니다. 스코어 (score), 헤시안 (Hessian), 그리고 PDE 평가가 전혀 필요하지 않습니다. 우리는 경로별 (path-wise) SMC와 입자별 (particle-wise) SMC 사이의 등가성을 입증합니다. 즉, Girsanov 경로 가중치는 이전의 입자 수준 가중치를 회복하는 역방향 조건부 기대값 (backward conditional expectation)을 허용하며, 이를 통해 두 방식 모두 동일한 편향 없는 최종 법칙 (unbiased terminal law)을 생성함을 보장합니다. 실험적으로 exttt{URGE}는 합성 테스트 (synthetic tests) 및 확산 모델 벤치마크 (diffusion-model benchmarks)에서 기존의 추론 시간 가이드 베이스라인 (inference-time guidance baselines)보다 뛰어난 성능을 보이며 더 나은 생성 품질을 달성하는 동시에, 구현이 훨씬 간단하고 완전히 그래디언트가 필요하지 (gradient-free) 않습니다.