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
- Overcoming Order in Autoregressive Graph Generation [12.351817671944515]
グラフ生成は、化学やソーシャルネットワークなど、さまざまな領域における基本的な問題である。
近年の研究では、リカレントニューラルネットワーク(RNN)を用いた分子グラフ生成が、従来の生成手法と比較して有利であることが示されている。
論文 参考訳(メタデータ) (2024-02-04T09:58:22Z) - 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) - 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) - 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) - Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。
我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
論文 参考訳(メタデータ) (2022-06-28T02:10:05Z) - 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。