論文の概要: SHADOWCAST: Controllable Graph Generation

• arxiv url: http://arxiv.org/abs/2006.03774v4
• Date: Fri, 2 Jul 2021 03:10:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-24 20:56:15.720102
• Title: SHADOWCAST: Controllable Graph Generation
• Title（参考訳）: SHADOWCAST: 制御可能なグラフ生成
• Authors: Wesley Joon-Wie Tann, Ee-Chien Chang, and Bryan Hooi
• Abstract要約: 生成過程におけるグラフ属性の制御として定式化された制御可能なグラフ生成問題を導入し,所望のグラフを生成する。 この生成プロセスを導くために透明で直接的なマルコフモデルを使用することで、実践者は生成されたグラフを形作り、理解することができる。 グラフ構造が異なる仮説シナリオを生成するために,$rm S Small HADOWCsmall AST$を指示することで,その効果的な制御性を示す。
• 参考スコア（独自算出の注目度）: 28.839854765853953
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce the controllable graph generation problem, formulated as controlling graph attributes during the generative process to produce desired graphs with understandable structures. Using a transparent and straightforward Markov model to guide this generative process, practitioners can shape and understand the generated graphs. We propose ${\rm S{\small HADOW}C{\small AST}}$, a generative model capable of controlling graph generation while retaining the original graph's intrinsic properties. The proposed model is based on a conditional generative adversarial network. Given an observed graph and some user-specified Markov model parameters, ${\rm S{\small HADOW}C{\small AST}}$ controls the conditions to generate desired graphs. Comprehensive experiments on three real-world network datasets demonstrate our model's competitive performance in the graph generation task. Furthermore, we show its effective controllability by directing ${\rm S{\small HADOW}C{\small AST}}$ to generate hypothetical scenarios with different graph structures.
• Abstract（参考訳）: 生成過程におけるグラフ属性の制御として定式化された制御可能なグラフ生成問題を導入し,理解可能な構造を持つ所望のグラフを生成する。 この生成プロセスを導くために透明で分かりやすいマルコフモデルを使用することで、生成したグラフを形作り、理解することができる。 本稿では,従来のグラフ固有の特性を維持しつつ,グラフ生成を制御可能な生成モデルである${\rm S{\small HADOW}C{\small AST}}$を提案する。 提案モデルは条件付き生成型adversarial networkに基づいている。 観察されたグラフとユーザ指定のマルコフモデルパラメータが与えられたとき、${\rm s{\small hadow}c{\small ast}}$ は所望のグラフを生成する条件を制御する。 3つの実世界のネットワークデータセットに関する総合的な実験は、グラフ生成タスクにおける我々のモデルの競合性能を示す。 さらに、グラフ構造が異なる仮説シナリオを生成するために、${\rm S{\small HADOW}C{\small AST}}$を指示することで、その効果的な制御性を示す。

関連論文リスト

• GraphMaker: Can Diffusion Models Generate Large Attributed Graphs? [7.330479039715941]
  ノード属性を持つ大規模グラフは、様々な現実世界のアプリケーションでますます一般的になっている。 従来のグラフ生成法は、これらの複雑な構造を扱う能力に制限がある。 本稿では,大きな属性グラフを生成するために特別に設計された新しい拡散モデルであるGraphMakerを紹介する。
  論文  参考訳（メタデータ） (2023-10-20T22:12:46Z)
• An Accurate Graph Generative Model with Tunable Features [0.8192907805418583]
  本稿では,グラフ特徴の誤りを返送する機構を新たに追加することで,GraphTuneの精度を向上させる手法を提案する。 実世界のグラフデータセットを用いて実験したところ、生成されたグラフの特徴は従来のモデルと比較して正確に調整されていることがわかった。
  論文  参考訳（メタデータ） (2023-09-03T12:34:15Z)
• Graph Generation with Diffusion Mixture [57.78958552860948]
  グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。 本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-07T17:07:46Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Graph Generative Model for Benchmarking Graph Neural Networks [73.11514658000547]
  本稿では,プライバシ制御により実世界のグラフの分布を学習し,再現する新しいグラフ生成モデルを提案する。 我々のモデルは、GNNモデルのベンチマークに効果的に使用できる大規模な実世界のグラフの、プライバシ制御された合成代用をうまく生成することができる。
  論文  参考訳（メタデータ） (2022-07-10T06:42:02Z)
• GraphTune: A Learning-based Graph Generative Model with Tunable Structural Features [3.3248768737711045]
  本研究では,グローバルな構造的特徴の値を条件として調整できる生成モデルを提案する。 GraphTuneと呼ばれる私たちのモデルは、生成されたグラフの構造的特徴の値を調整できます。
  論文  参考訳（メタデータ） (2022-01-27T13:14:53Z)
• AnchorGAE: General Data Clustering via $O(n)$ Bipartite Graph Convolution [79.44066256794187]
  我々は、グラフ畳み込みネットワーク(GCN)を構築するために使用される生成グラフモデルを導入することにより、グラフに非グラフデータセットを変換する方法を示す。 アンカーによって構築された二部グラフは、データの背後にある高レベル情報を利用するために動的に更新される。 理論的には、単純な更新が退化につながることを証明し、それに従って特定の戦略が設計される。
  論文  参考訳（メタデータ） (2021-11-12T07:08:13Z)
• Order Matters: Probabilistic Modeling of Node Sequence for Graph Generation [18.03898476141173]
  グラフ生成モデルはグラフ上の分布を定義する。 グラフ上の正確な結合確率とシーケンシャルプロセスのノード順序を導出する。 我々は,従来の手法のアドホックノード順序を使わずに,この境界を最大化してグラフ生成モデルを訓練する。
  論文  参考訳（メタデータ） (2021-06-11T06:37:52Z)
• Learning Graphon Autoencoders for Generative Graph Modeling [91.32624399902755]
  Graphonは任意のサイズでグラフを生成する非パラメトリックモデルであり、グラフから簡単に誘導できる。 解析可能でスケーラブルなグラフ生成モデルを構築するために,textitgraphon autoencoder という新しいフレームワークを提案する。 線形グルーポン分解モデルはデコーダとして機能し、潜在表現を活用して誘導されたグルーポンを再構成する。
  論文  参考訳（メタデータ） (2021-05-29T08:11:40Z)
• Dirichlet Graph Variational Autoencoder [65.94744123832338]
  本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。 バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
  論文  参考訳（メタデータ） (2020-10-09T07:35:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。