H-GLow: Accelerating Graph Generation via Hazard-Guided Discrete Flow Matching
Abstractの概要
H-Glowは、連続時間マルコフ連鎖生成器をコンポーネントごとのハザードと条件付きジャンプ分布に分解することで、離散フローマッチングにおけるグラフ生成を高速化するハザード誘導型フレームワークです。このサンプラーは、固定の離散化やタスク固有のヒューリスティクスに頼るのではなく、これらの量を利用してノードおよびエッジの編集の優先順位付けを行い、予測されたグラフの活性度に応じてサンプリングクロックを適応させ、活性度が低下した際には早期終了します。本手法は事前学習済みのグラフDFMモデルに対するドロップインサンプラーとして適用可能であるほか、本論文では分解された生成器マッチング目的関数の下でハザードと条件付きジャンプを直接予測するグラフDFMモデルも提案しています。分子および合成グラフのベンチマーク実験において、この構造がサンプリングステップ数および関数評価回数を削減しながらサンプル品質を向上させることが示されています。
新規性
本論文の主な新規性は、CTMCグラフ生成器のハザード・ジャンプ分解をサンプリングおよびモデル設計の統一的な基盤として活用した点にあります。これにより、再学習なしで事前学習済みグラフDFMモデルを高速化できるハザード誘導サンプラーと、学習目的関数がハザードマッチングとハザード重み付きジャンプ予測へと厳密に分解される新しいグラフDFMのパラメータ化が実現されています。
成果
QM9において、50ステップ予算のH-Glowは平均NFE 22.4±2.3かつ有効性99.1%でFCD 0.10を達成し、FCDにおいて記載された50ステップおよび500ステップのベースラインを上回りました。MOSESおよびGuacaMolでは、100ステップモデルが表2において最良のFCD（MOSESで0.96、GuacaMolで77.7）を報告して500ステップのベースラインを凌駕し、合成グラフ実験ではPlanar/Treeにおいて20ステップで95.0%/93.5%、200ステップで100%/100%のV.U.N.に達しました。また、本サンプラーは事前学習済みDeFoGモデルも高速化し、100ステップで500ステップのEulerサンプリングと同等以上の性能を示し、200ステップで500ステップの誘導構成に迫る結果を示しました。
論文の注目点
- H-Glowは、予測されたハザードと条件付きジャンプ分布を用いてグラフの編集を選択しサンプリング時間を割り当て、グラフの活性度低下に基づく早期終了ルールを備えています。
- ノードおよびエッジのハザードと条件付きジャンプ分布を直接予測するグラフDFMモデルを導入し、生成器マッチング損失の厳密な分解を導出しています。
- QM9、MOSES、GuacaMol、および合成グラフのベンチマークにわたる実証結果により、事前学習済みモデルのドロップインアクセラレータとしての利用を含め、サンプリングステップ数と関数評価回数を大幅に削減しつつ品質の向上または競争力のある品質が示されています。