論文の概要: An Invertible Graph Diffusion Neural Network for Source Localization
- arxiv url: http://arxiv.org/abs/2206.09214v1
- Date: Sat, 18 Jun 2022 14:35:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-22 19:11:14.281460
- Title: An Invertible Graph Diffusion Neural Network for Source Localization
- Title(参考訳): ソースローカライゼーションのための可逆グラフ拡散ニューラルネットワーク
- Authors: Junxiang Wang, Junji Jiang, and Liang Zhao
- Abstract要約: 本稿では,グラフ上のソースローカライゼーションのための非可逆グラフ拡散モデルの汎用的枠組みを確立することを目的とする。
具体的には,既存のグラフ拡散モデルを理論的保証で非可逆化するグラフ残差シナリオを提案する。
また,推定源の誤差を相殺する新しい誤り補償機構も開発している。
- 参考スコア(独自算出の注目度): 8.811725212252544
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Localizing the source of graph diffusion phenomena, such as misinformation
propagation, is an important yet extremely challenging task. Existing source
localization models typically are heavily dependent on the hand-crafted rules.
Unfortunately, a large portion of the graph diffusion process for many
applications is still unknown to human beings so it is important to have
expressive models for learning such underlying rules automatically. This paper
aims to establish a generic framework of invertible graph diffusion models for
source localization on graphs, namely Invertible Validity-aware Graph Diffusion
(IVGD), to handle major challenges including 1) Difficulty to leverage
knowledge in graph diffusion models for modeling their inverse processes in an
end-to-end fashion, 2) Difficulty to ensure the validity of the inferred
sources, and 3) Efficiency and scalability in source inference. Specifically,
first, to inversely infer sources of graph diffusion, we propose a graph
residual scenario to make existing graph diffusion models invertible with
theoretical guarantees; second, we develop a novel error compensation mechanism
that learns to offset the errors of the inferred sources. Finally, to ensure
the validity of the inferred sources, a new set of validity-aware layers have
been devised to project inferred sources to feasible regions by flexibly
encoding constraints with unrolled optimization techniques. A linearization
technique is proposed to strengthen the efficiency of our proposed layers. The
convergence of the proposed IVGD is proven theoretically. Extensive experiments
on nine real-world datasets demonstrate that our proposed IVGD outperforms
state-of-the-art comparison methods significantly. We have released our code at
https://github.com/xianggebenben/IVGD.
- Abstract(参考訳): 誤った情報伝達などのグラフ拡散現象の発生源の局所化は重要ではあるが極めて困難な課題である。
既存のソースローカライズモデルは通常、手作りのルールに大きく依存する。
残念ながら、多くのアプリケーションに対するグラフ拡散プロセスの大部分は、まだ人間には知られていないため、そのような基礎となるルールを自動的に学習するための表現的モデルを持つことが重要である。
本稿では,グラフ上のソースローカライズのための可逆グラフ拡散モデル,すなわち可逆妥当性認識グラフ拡散(ivgd)の汎用的枠組みを確立することを目的としている。
1) グラフ拡散モデルにおける知識の活用が困難である。
2 推定源の妥当性の確保が困難であること、及び
3) ソース推論の効率性とスケーラビリティ。
具体的には、まず、グラフ拡散のソースを逆推論するために、既存のグラフ拡散モデルを理論的保証で可逆化するグラフ残差シナリオを提案し、次に、推定されたソースのエラーをオフセットする新しいエラー補償機構を開発する。
最後に, 提案手法を用いて制約を柔軟に符号化することにより, 提案手法を適用可能な領域に推定する新たな妥当性認識層が考案された。
提案するレイヤの効率を高めるために,線形化手法を提案する。
提案されたIVGDの収束は理論的に証明されている。
実世界の9つのデータセットに対する大規模な実験により、提案したIVGDは最先端比較法を大幅に上回っていることが示された。
私たちはコードをhttps://github.com/xianggebenbenben/ivgdでリリースした。
関連論文リスト
- Self-Play Fine-Tuning of Diffusion Models for Text-to-Image Generation [59.184980778643464]
ファインチューニング拡散モデル : 生成人工知能(GenAI)の最前線
本稿では,拡散モデル(SPIN-Diffusion)のための自己演奏ファインチューニングという革新的な手法を紹介する。
提案手法は従来の教師付き微調整とRL戦略の代替として,モデル性能とアライメントの両方を大幅に改善する。
論文 参考訳(メタデータ) (2024-02-15T18:59:18Z) - EraseDiff: Erasing Data Influence in Diffusion Models [54.95692559939673]
拡散モデルのためのアンラーニングアルゴリズムを提案する。
提案アルゴリズムは, 広範に普及している拡散モデルから除去しながら, モデルの有用性, 有効性, 効率を保たせることを示す。
論文 参考訳(メタデータ) (2024-01-11T09:30:36Z) - Leveraging Graph Diffusion Models for Network Refinement Tasks [72.54590628084178]
本稿では,グラフ拡散に基づく新しいグラフ生成フレームワークSGDMを提案する。
我々のフレームワークはグラフ拡散モデルのスケーラビリティと忠実度を向上するだけでなく、逆プロセスを利用して新しい条件付き生成タスクを実行する。
論文 参考訳(メタデータ) (2023-11-29T18:02:29Z) - Advective Diffusion Transformers for Topological Generalization in Graph
Learning [69.2894350228753]
グラフ拡散方程式は、様々なグラフトポロジーの存在下で、どのように外挿して一般化するかを示す。
本稿では,新たなグラフエンコーダのバックボーンであるAdvective Diffusion Transformer (ADiT)を提案する。
論文 参考訳(メタデータ) (2023-10-10T08:40:47Z) - Directional diffusion models for graph representation learning [9.457273750874357]
我々は方向拡散モデルと呼ばれる新しいモデルのクラスを提案する。
これらのモデルは前方拡散過程にデータ依存、異方性、指向性ノイズを含む。
我々は,2つのグラフ表現学習タスクに焦点をあてて,12の公開データセットに関する広範な実験を行った。
論文 参考訳(メタデータ) (2023-06-22T21:27:48Z) - Two-stage Denoising Diffusion Model for Source Localization in Graph
Inverse Problems [19.57064597050846]
ソースローカライゼーションは、グラフ情報拡散の逆問題である。
本稿では,2段階最適化フレームワークであるソースローカライゼーション・デノナイズ拡散モデル(SL-Diff)を提案する。
SL-Diffは広範囲な実験で適切なサンプリング時間内に優れた予測結果が得られる。
論文 参考訳(メタデータ) (2023-04-18T09:11:09Z) - Information-Theoretic Diffusion [18.356162596599436]
拡散モデルのデノイングは密度モデリングや画像生成において大きな進歩をもたらした。
情報理論における古典的な結果にインスパイアされた拡散モデルのための新しい数学的基礎を導入する。
論文 参考訳(メタデータ) (2023-02-07T23:03:07Z) - Fast Graph Generative Model via Spectral Diffusion [38.31052833073743]
空間全体におけるフルランク拡散SDEの実行は、学習グラフトポロジ生成からの拡散モデルを妨げると論じる。
グラフスペクトル空間上の低ランク拡散SDEによって駆動される効率的なグラフスペクトル拡散モデル(GSDM)を提案する。
論文 参考訳(メタデータ) (2022-11-16T12:56:32Z) - Source Localization of Graph Diffusion via Variational Autoencoders for
Graph Inverse Problems [8.984898754363265]
グラフ拡散の逆問題としてのソースローカライゼーションは極めて困難である。
本稿では,異なる候補源の不確実性を考慮した確率的手法に焦点をあてる。
7つの実世界のデータセット上で実験を行い、拡散源の再構築におけるSL-VAEの優位性を実証した。
論文 参考訳(メタデータ) (2022-06-24T14:56:45Z) - Handling Distribution Shifts on Graphs: An Invariance Perspective [77.14319095965058]
グラフ上のノードレベルの予測にOOD問題を定式化する。
そこで我々は,探索から抽出までのリスク最小化という新たなドメイン不変学習手法を開発した。
理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2022-02-05T02:31:01Z) - Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。
グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。
実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。
ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。
分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
論文 参考訳(メタデータ) (2021-10-20T14:23:54Z)
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。