論文の概要: A Systematic Survey on Deep Generative Models for Graph Generation
- arxiv url: http://arxiv.org/abs/2007.06686v3
- Date: Tue, 4 Oct 2022 19:13:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 23:04:10.176582
- Title: A Systematic Survey on Deep Generative Models for Graph Generation
- Title（参考訳）: グラフ生成のための深部生成モデルに関する系統的調査
- Authors: Xiaojie Guo, Liang Zhao
- Abstract要約: グラフ生成は与えられたグラフの分布を学習し、より新しいグラフを生成する。
グラフ生成のための深部生成モデルの最近の進歩は、生成されたグラフの忠実性を改善するための重要なステップである。
本稿では,グラフ生成のための深部生成モデル分野における文献の概要について概説する。
- 参考スコア（独自算出の注目度）: 16.546379779385575
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graphs are important data representations for describing objects and their
relationships, which appear in a wide diversity of real-world scenarios. As one
of a critical problem in this area, graph generation considers learning the
distributions of given graphs and generating more novel graphs. Owing to their
wide range of applications, generative models for graphs, which have a rich
history, however, are traditionally hand-crafted and only capable of modeling a
few statistical properties of graphs. Recent advances in deep generative models
for graph generation is an important step towards improving the fidelity of
generated graphs and paves the way for new kinds of applications. This article
provides an extensive overview of the literature in the field of deep
generative models for graph generation. Firstly, the formal definition of deep
generative models for the graph generation and the preliminary knowledge are
provided. Secondly, taxonomies of deep generative models for both unconditional
and conditional graph generation are proposed respectively; the existing works
of each are compared and analyzed. After that, an overview of the evaluation
metrics in this specific domain is provided. Finally, the applications that
deep graph generation enables are summarized and five promising future research
directions are highlighted.
- Abstract（参考訳）: グラフは、オブジェクトとその関係を記述するための重要なデータ表現である。
この領域における重要な問題の1つとして、グラフ生成は与えられたグラフの分布を学習し、より新しいグラフを生成することを考える。
しかし、その幅広い応用により、グラフの豊かな歴史を持つ生成モデルは伝統的に手作りであり、グラフのいくつかの統計的性質をモデル化できるのみである。
グラフ生成のための深部生成モデルの最近の進歩は、生成したグラフの忠実性を改善するための重要なステップであり、新しい種類のアプリケーションへの道を開く。
本稿では,グラフ生成のための深部生成モデル分野における文献の概要を紹介する。
まず、グラフ生成のための深部生成モデルの形式的定義と予備知識を提供する。
次に,非条件グラフ生成と条件グラフ生成の両方の深部生成モデルの分類をそれぞれ提案し,既存の研究結果を比較分析した。
その後、この特定のドメインにおける評価メトリクスの概要が提供されます。
最後に、ディープグラフ生成を可能にするアプリケーションを要約し、5つの将来的な研究方向性を強調した。
関連論文リスト
- Parametric Graph Representations in the Era of Foundation Models: A Survey and Position [69.48708136448694]
グラフは、包括的なリレーショナルデータをモデル化するために、過去数十年間、ビッグデータとAIで広く使われてきた。
有意義なグラフ法則の同定は、様々な応用の有効性を著しく向上させることができる。
論文 参考訳（メタデータ） (2024-10-16T00:01:31Z) - GraphRCG: Self-Conditioned Graph Generation [78.69810678803248]
本稿では,グラフ分布を明示的にモデル化する自己条件付きグラフ生成フレームワークを提案する。
本フレームワークは, 既存のグラフ生成手法に比べて, 学習データに対するグラフ品質と忠実度において優れた性能を示す。
論文 参考訳（メタデータ） (2024-03-02T02:28:20Z) - 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) - Graph Meets LLMs: Towards Large Graph Models [60.24970313736175]
本稿では,大規模グラフモデルの開発に伴う課題と機会について論じる。
まず,大規模グラフモデルの所望の特性について考察する。
次に、表現ベース、グラフデータ、グラフモデルという3つの重要な視点から詳細な議論を行う。
論文 参考訳（メタデータ） (2023-08-28T12:17:51Z) - Generative Diffusion Models on Graphs: Methods and Applications [50.44334458963234]
拡散モデルは、新しい生成パラダイムとして、様々な画像生成タスクにおいて顕著な成功を収めた。
グラフ生成は多くの実世界のアプリケーションを持つグラフ上で重要な計算タスクである。
論文 参考訳（メタデータ） (2023-02-06T06:58:17Z) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳（メタデータ） (2023-01-14T09:15:49Z) - Graph Pooling for Graph Neural Networks: Progress, Challenges, and
Opportunities [128.55790219377315]
グラフニューラルネットワークは多くのグラフレベルのタスクの主要なアーキテクチャとして登場した。
グラフプーリングは、グラフ全体の全体的グラフレベル表現を得るためには不可欠である。
論文 参考訳（メタデータ） (2022-04-15T04:02:06Z) - A Survey on Deep Graph Generation: Methods and Applications [22.713801558059213]
グラフ生成は、観測されたグラフに似た分布から新しいグラフを生成することを目的としており、近年のディープラーニングモデルの発展により注目されている。
我々は,グラフ生成の既存文献について,様々な新しい手法から幅広い応用分野への総合的なレビューを行う。
論文 参考訳（メタデータ） (2022-03-13T17:11:43Z) - Generating a Doppelganger Graph: Resembling but Distinct [5.618335078130568]
本論文では,与えられたグラフ特性に類似したドッペルガンガーグラフを生成する手法を提案する。
このアプローチは、グラフ表現学習、生成的敵ネットワーク、およびグラフ実現アルゴリズムのオーケストレーションである。
論文 参考訳（メタデータ） (2021-01-23T22:08:27Z) - Deep Graph Generators: A Survey [8.641606056228675]
本稿では,深層学習に基づくグラフ生成手法に関する総合的な調査を行う。
それらは、autoregressive、autoencoderベース、rlベース、adversarial、flowベースのグラフジェネレータの5つに分類される。
また、公開ソースコード、一般的に使用されるデータセット、および最も広く使用されている評価指標も提示します。
論文 参考訳（メタデータ） (2020-12-31T11:01:33Z)
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。