論文の概要: A Tunable Model for Graph Generation Using LSTM and Conditional VAE
- arxiv url: http://arxiv.org/abs/2104.09304v1
- Date: Thu, 15 Apr 2021 06:47:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-20 13:26:15.335244
- Title: A Tunable Model for Graph Generation Using LSTM and Conditional VAE
- Title(参考訳): LSTMと条件付きVAEを用いたグラフ生成のための可変モデル
- Authors: Shohei Nakazawa, Yoshiki Sato, Kenji Nakagawa, Sho Tsugawa, Kohei
Watabe
- Abstract要約: データからグラフの構造的特徴を学習しながら、特定の特徴をチューニングできる生成モデルを提案する。
モデルによって生成される様々な特徴を持つグラフのデータセットを用いて、我々のモデルが特定の特徴を持つグラフを生成できることを確認する。
- 参考スコア(独自算出の注目度): 1.399948157377307
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the development of graph applications, generative models for graphs have
been more crucial. Classically, stochastic models that generate graphs with a
pre-defined probability of edges and nodes have been studied. Recently, some
models that reproduce the structural features of graphs by learning from actual
graph data using machine learning have been studied. However, in these
conventional studies based on machine learning, structural features of graphs
can be learned from data, but it is not possible to tune features and generate
graphs with specific features. In this paper, we propose a generative model
that can tune specific features, while learning structural features of a graph
from data. With a dataset of graphs with various features generated by a
stochastic model, we confirm that our model can generate a graph with specific
features.
- Abstract(参考訳): グラフアプリケーションの開発により、グラフの生成モデルはより重要になっている。
古典的には、エッジとノードの事前定義された確率でグラフを生成する確率モデルが研究されている。
近年,機械学習を用いて実際のグラフデータから学習し,グラフの構造的特徴を再現するモデルが研究されている。
しかし、これらの機械学習に基づく従来の研究では、グラフの構造的特徴はデータから学べるが、特徴をチューニングして特定の特徴を持つグラフを生成することはできない。
本稿では,データからグラフの構造的特徴を学習しながら,特定の特徴をチューニングできる生成モデルを提案する。
確率モデルによって生成される様々な特徴を持つグラフのデータセットを用いて、我々のモデルが特定の特徴を持つグラフを生成できることを確認する。
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) - Advancing Graph Generation through Beta Diffusion [49.49740940068255]
Graph Beta Diffusion (GBD)は、グラフデータの多様な性質を扱うために特別に設計された生成モデルである。
本稿では, 臨界グラフトポロジを安定化させることにより, 生成グラフの現実性を高める変調手法を提案する。
論文 参考訳(メタデータ) (2024-06-13T17:42:57Z) - 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) - Latent Graph Inference using Product Manifolds [0.0]
遅延グラフ学習のための離散微分可能グラフモジュール(dDGM)を一般化する。
我々の新しいアプローチは、幅広いデータセットでテストされ、元のdDGMモデルよりも優れています。
論文 参考訳(メタデータ) (2022-11-26T22:13:06Z) - 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) - GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。
学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。
GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
論文 参考訳(メタデータ) (2020-07-07T16:51:39Z) - Non-Parametric Graph Learning for Bayesian Graph Neural Networks [35.88239188555398]
グラフ隣接行列の後方分布を構築するための新しい非パラメトリックグラフモデルを提案する。
このモデルの利点を,ノード分類,リンク予測,レコメンデーションという3つの異なる問題設定で示す。
論文 参考訳(メタデータ) (2020-06-23T21:10:55Z) - Permutation Invariant Graph Generation via Score-Based Generative
Modeling [114.12935776726606]
本稿では,最近のスコアベース生成モデルを用いて,グラフモデリングにおける置換不変手法を提案する。
特に、入力グラフにおけるデータ分布の勾配をモデル化するために、置換同変のマルチチャネルグラフニューラルネットワークを設計する。
グラフ生成では、我々の学習アプローチはベンチマークデータセット上の既存のモデルよりも良い、あるいは同等の結果を得る。
論文 参考訳(メタデータ) (2020-03-02T03:06:14Z)
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。