Diffusion 모델은 복잡한 데이터 분포 학습에 성공적으로 활용되었으며, 이를 활용하여 고차원 다중 목표 블랙박스 최적화 문제에 적용하고 있습니다. 기존 접근 방식은 진화 알고리즘과 같은 외부 최적화 루프를 활용하여 diffusion 모델을 블랙박스 정제기로 취급하여 효율성이 제한적이었습니다. 본 논문에서는 추론 시점에 diffusion 프로세스를 최적화하여 여러 목표를 동시에 충족하는 샘플을 생성하는 Inference-time Multi-target Generation (IMG) 알고리즘을 제안합니다. IMG는 예상된 집계된 다중 목표 값에 따라 가중 재표본 추출을 수행하여 생성된 샘플이 원하는 다중 목표 Boltzmann 분포에 따라 분포하도록 합니다. 또한 다중 목표 Boltzmann 분포가 분포적 다중 목표 최적화 문제에 대한 최적의 해인 흥미로운 로그 우도 해석을 갖는다는 것을 도출했습니다. 분자 생성 작업에 IMG를 구현한 결과, 단일 생성 패스만으로도 수백 번의 diffusion 생성이 필요한 기존 최적화 알고리즘보다 훨씬 높은 하이퍼볼륨을 달성했습니다. 또한, 본 알고리즘은 최적화된 diffusion 프로세스로 간주될 수 있으며 기존 방법에 통합하여 성능을 더욱 향상시킬 수 있습니다.
