論文の概要: Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations

• arxiv url: http://arxiv.org/abs/2202.02514v1
• Date: Sat, 5 Feb 2022 08:21:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-08 17:02:30.650093
• Title: Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations
• Title（参考訳）: 確率微分方程式系によるグラフのスコアベース生成モデル
• Authors: Jaehyeong Jo, Seul Lee, Sung Ju Hwang
• Abstract要約: 本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。 本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
• 参考スコア（独自算出の注目度）: 57.15855198512551
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating graph-structured data requires learning the underlying distribution of graphs. Yet, this is a challenging problem, and the previous graph generative methods either fail to capture the permutation-invariance property of graphs or cannot sufficiently model the complex dependency between nodes and edges, which is crucial for generating real-world graphs such as molecules. To overcome such limitations, we propose a novel score-based generative model for graphs with a continuous-time framework. Specifically, we propose a new graph diffusion process that models the joint distribution of the nodes and edges through a system of stochastic differential equations (SDEs). Then, we derive novel score matching objectives tailored for the proposed diffusion process to estimate the gradient of the joint log-density with respect to each component, and introduce a new solver for the system of SDEs to efficiently sample from the reverse diffusion process. We validate our graph generation method on diverse datasets, on which it either achieves significantly superior or competitive performance to the baselines. Further analysis shows that our method is able to generate molecules that lie close to the training distribution yet do not violate the chemical valency rule, demonstrating the effectiveness of the system of SDEs in modeling the node-edge relationships.
• Abstract（参考訳）: グラフ構造化データを生成するには、基礎となるグラフの分布を学ぶ必要がある。 しかし、これは難しい問題であり、以前のグラフ生成法はグラフの置換不変性を捉えることに失敗したり、ノードとエッジの間の複雑な依存性を十分にモデル化できなかったりする。 このような制約を克服するために,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。 具体的には、確率微分方程式系(SDE)を用いて、ノードとエッジの結合分布をモデル化する新しいグラフ拡散過程を提案する。 次に,提案した拡散過程に適した新しいスコアマッチング目標を導出し,各成分に対する関節対数密度の勾配を推定し,逆拡散過程から効率的にサンプリングするSDEシステムのための新しい解法を提案する。 グラフ生成手法を多種多様なデータセット上で検証し、ベースラインに対して大幅に優れているか競争的な性能を達成する。 さらに,本手法は, トレーニング分布に近い分子を生成できるが, 化学価規則に違反しないことを示すとともに, ノードエッジ関係のモデル化におけるSDEシステムの有効性を示す。

関連論文リスト

• Graph Neural Flows for Unveiling Systemic Interactions Among Irregularly Sampled Time Series [5.460420960898444]
  我々は不規則な時間点で観測された時系列の系統的相互作用を明らかにするグラフベースモデルを開発した。 時系列分類や予測など,いくつかの課題に対するアプローチの有効性を検証し,その有効性を実証する。
  論文  参考訳（メタデータ） (2024-10-17T21:10:39Z)
• DeFoG: Discrete Flow Matching for Graph Generation [45.037260759871124]
  グラフ生成のための離散フローマッチングを用いた新しいフレームワークであるDeFoGを提案する。 DeFoGはフローベースのアプローチを採用しており、効率的な線形雑音化プロセスと柔軟な雑音化プロセスを備えている。 我々は,DeFoGが合成および分子データセット上で最先端の結果を得ることを示す。
  論文  参考訳（メタデータ） (2024-10-05T18:52:54Z)
• IFH: a Diffusion Framework for Flexible Design of Graph Generative Models [53.219279193440734]
  グラフ生成モデルは,1行にグラフを生成するワンショットモデルと,ノードとエッジの連続的な付加によるグラフを生成するシーケンシャルモデルという,2つの顕著なファミリーに分類される。 本稿では,逐次度を規定するグラフ生成モデルであるInsert-Fill-Halt(IFH)を提案する。
  論文  参考訳（メタデータ） (2024-08-23T16:24:40Z)
• Conditional Diffusion Based on Discrete Graph Structures for Molecular Graph Generation [32.66694406638287]
  分子グラフ生成のための離散グラフ構造(CDGS)に基づく条件拡散モデルを提案する。 具体的には、微分方程式(SDE)を用いて、グラフ構造と固有の特徴の両方に対して前方グラフ拡散過程を構築する。 本稿では,中間グラフ状態からグローバルコンテキストと局所ノードエッジ依存性を抽出する,特殊なハイブリッドグラフノイズ予測モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-01T15:24:15Z)
• GraphGDP: Generative Diffusion Processes for Permutation Invariant Graph Generation [43.196067037856515]
  グラフ生成モデルは生物学、化学、社会科学に広く応用されている。 現在の先行自己回帰モデルは、グラフの置換不変性を取り込むことができない。 置換不変グラフ生成のための連続時間生成拡散プロセスを提案する。
  論文  参考訳（メタデータ） (2022-12-04T15:12:44Z)
• 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)
• Joint Network Topology Inference via a Shared Graphon Model [24.077455621015552]
  観測結果から複数のネットワークのトポロジを推定する問題を考察する。 これは非パラメトリックなモデルであり、潜在的に異なるサイズのグラフを描画することができる。
  論文  参考訳（メタデータ） (2022-09-17T02:38:58Z)
• Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
  グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。 グラフが現在の勾配を混合する能力を定量化する計量法を提案する。 そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-13T15:54:35Z)
• 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)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。