論文の概要: SPECTRE : Spectral Conditioning Helps to Overcome the Expressivity
Limits of One-shot Graph Generators
- arxiv url: http://arxiv.org/abs/2204.01613v1
- Date: Mon, 4 Apr 2022 16:08:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-05 13:03:29.787572
- Title: SPECTRE : Spectral Conditioning Helps to Overcome the Expressivity
Limits of One-shot Graph Generators
- Title(参考訳): spectre : スペクトル条件付けはワンショットグラフ生成器の表現限界を克服するのに役立つ
- Authors: Karolis Martinkus, Andreas Loukas, Nathana\"el Perraudin, Roger
Wattenhofer
- Abstract要約: 我々の新しいGANはSPECTREと呼ばれ、従来よりもずっと大きなグラフをワンショットで生成できる。
SPECTREは、過度に適合せず、自動回帰発電機の23倍から30倍の速さで、ベストコンペティターよりも4倍から170倍の改善を実現している。
- 参考スコア(独自算出の注目度): 33.790828952668406
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We approach the graph generation problem from a spectral perspective by first
generating the dominant parts of the graph Laplacian spectrum and then building
a graph matching these eigenvalues and eigenvectors. Spectral conditioning
allows for direct modeling of the global and local graph structure and helps to
overcome the expressivity and mode collapse issues of one-shot graph
generators. Our novel GAN, called SPECTRE, enables the one-shot generation of
much larger graphs than previously possible with one-shot models. SPECTRE
outperforms state-of-the-art deep autoregressive generators in terms of
modeling fidelity, while also avoiding expensive sequential generation and
dependence on node ordering. A case in point, in sizable synthetic and
real-world graphs SPECTRE achieves a 4-to-170 fold improvement over the best
competitor that does not overfit and is 23-to-30 times faster than
autoregressive generators.
- Abstract(参考訳): まずグラフラプラシアスペクトルの優位部分を生成し,これらの固有値と固有ベクトルに一致するグラフを構築することで,スペクトルの観点からグラフ生成問題にアプローチする。
スペクトル条件付けは、大域および局所グラフ構造の直接モデリングを可能にし、ワンショットグラフ生成器の表現性とモード崩壊問題を克服するのに役立つ。
我々の新しいGANはSPECTREと呼ばれ、従来よりもずっと大きなグラフのワンショット生成を可能にする。
SPECTREは、高コストなシーケンシャルな生成とノード順序への依存を回避しつつ、モデリング忠実度の観点から最先端の自己回帰ジェネレータよりも優れている。
ある点において、SPECTREは、過度に適合せず、自己回帰生成器の23倍から30倍の速さで、最高の競合相手よりも4倍から170倍の改善を達成している。
関連論文リスト
- Flatten Graphs as Sequences: Transformers are Scalable Graph Generators [5.5575224613422725]
我々は,デコーダのみの変換器を用いて,大きな属性グラフを生成する新しいフレームワークであるAutoGraphを紹介する。
私たちのアプローチの核となるのは、グラフをランダムなシーケンスに変換する可逆的な「フラット化」プロセスです。
これらのシーケンスからサンプリングと学習を行うことで、AutoGraphは変換器をモデル化し、複雑なグラフ構造を生成することができる。
論文 参考訳(メタデータ) (2025-02-04T10:52:14Z) - Best of Both Worlds: Advantages of Hybrid Graph Sequence Models [20.564009321626198]
グラフ上での学習にグラフシーケンスモデルを採用するための統一フレームワークを提案する。
本稿では,グローバルおよびローカルなグラフタスクのレンズを用いて,トランスフォーマーと現代のリカレントモデルの表現能力を評価する。
GSM++は階層的親和性クラスタリング(HAC)アルゴリズムを用いてグラフを階層的シーケンスにトークン化する高速ハイブリッドモデルである。
論文 参考訳(メタデータ) (2024-11-23T23:24:42Z) - SeaDAG: Semi-autoregressive Diffusion for Conditional Directed Acyclic Graph Generation [83.52157311471693]
方向性非巡回グラフ(DAG)の条件生成のための半自己回帰拡散モデルSeaDAGを紹介する。
グローバルグラフ構造を欠いた従来の自己回帰生成とは異なり,本手法は拡散ステップ毎に完全なグラフ構造を保持する。
本研究では,現実的なDAGを生成する拡散モデルの能力を高めるために,条件損失を伴うグラフ条件学習を明示的に訓練する。
論文 参考訳(メタデータ) (2024-10-21T15:47:03Z) - Neural Graph Generator: Feature-Conditioned Graph Generation using Latent Diffusion Models [22.794561387716502]
グラフ生成に条件付き潜在拡散モデルを利用する新しい手法であるニューラルグラフ生成器(NGG)を導入する。
NGGは複雑なグラフパターンをモデル化し、グラフ生成プロセスの制御を提供する。
論文 参考訳(メタデータ) (2024-03-03T15:28:47Z) - 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) - Graph Generation via Spectral Diffusion [51.60814773299899]
本稿では,1)グラフラプラシア行列のスペクトル分解と2)拡散過程に基づく新しいグラフ生成モデルGRASPを提案する。
具体的には、固有ベクトルと固有値のサンプリングにデノナイジングモデルを用い、グラフラプラシアン行列と隣接行列を再構成する。
我々の置換不変モデルは各ノードの固有ベクトルに連結することでノードの特徴を扱える。
論文 参考訳(メタデータ) (2024-02-29T09:26:46Z) - 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) - FLOWGEN: Fast and slow graph generation [49.21890450444187]
本稿では、心の二重過程理論に着想を得たグラフ生成モデルFLOWGENを提案する。
現在のステップでグラフを完成させることの難しさに応じて、グラフ生成は高速(ウェイカー)または遅い(ストロンガー)モデルにルートされる。
実世界のグラフの実験では、一つの大きなモデルが生成したグラフと同じようなグラフを、ほんの少しの時間で生成できることが示されている。
論文 参考訳(メタデータ) (2022-07-15T16:32:23Z) - 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) - Rethinking Graph Transformers with Spectral Attention [13.068288784805901]
我々は、学習された位置符号化(LPE)を用いて、与えられたグラフ内の各ノードの位置を学習するtextitSpectral Attention Network$(SAN)を提示する。
ラプラシアンの完全なスペクトルを利用することで、我々のモデルは理論上グラフの区別に強力であり、類似のサブ構造を共鳴からよりよく検出することができる。
我々のモデルは最先端のGNNよりも同等かそれ以上の性能を発揮し、あらゆる注目ベースモデルよりも広いマージンで性能を向上する。
論文 参考訳(メタデータ) (2021-06-07T18:11:11Z) - 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。