論文の概要: Source Localization of Graph Diffusion via Variational Autoencoders for
Graph Inverse Problems
- arxiv url: http://arxiv.org/abs/2206.12327v1
- Date: Fri, 24 Jun 2022 14:56:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-27 17:28:07.544671
- Title: Source Localization of Graph Diffusion via Variational Autoencoders for
Graph Inverse Problems
- Title（参考訳）: グラフ逆問題に対する変分オートエンコーダによるグラフ拡散源の定位
- Authors: Chen Ling, Junji Jiang, Junxiang Wang, and Liang Zhao
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 8.984898754363265
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph diffusion problems such as the propagation of rumors, computer viruses,
or smart grid failures are ubiquitous and societal. Hence it is usually crucial
to identify diffusion sources according to the current graph diffusion
observations. Despite its tremendous necessity and significance in practice,
source localization, as the inverse problem of graph diffusion, is extremely
challenging as it is ill-posed: different sources may lead to the same graph
diffusion patterns. Different from most traditional source localization
methods, this paper focuses on a probabilistic manner to account for the
uncertainty of different candidate sources. Such endeavors require overcoming
challenges including 1) the uncertainty in graph diffusion source localization
is hard to be quantified; 2) the complex patterns of the graph diffusion
sources are difficult to be probabilistically characterized; 3) the
generalization under any underlying diffusion patterns is hard to be imposed.
To solve the above challenges, this paper presents a generic framework: Source
Localization Variational AutoEncoder (SL-VAE) for locating the diffusion
sources under arbitrary diffusion patterns. Particularly, we propose a
probabilistic model that leverages the forward diffusion estimation model along
with deep generative models to approximate the diffusion source distribution
for quantifying the uncertainty. SL-VAE further utilizes prior knowledge of the
source-observation pairs to characterize the complex patterns of diffusion
sources by a learned generative prior. Lastly, a unified objective that
integrates the forward diffusion estimation model is derived to enforce the
model to generalize under arbitrary diffusion patterns. Extensive experiments
are conducted on 7 real-world datasets to demonstrate the superiority of SL-VAE
in reconstructing the diffusion sources by excelling other methods on average
20% in AUC score.
- Abstract（参考訳）: 噂の伝播、コンピュータウイルス、スマートグリッド障害などのグラフ拡散問題は、ユビキタスで社会的である。
したがって、通常は現在のグラフ拡散観測に基づいて拡散源を特定することが重要である。
その膨大な必要性と重要性にもかかわらず、グラフ拡散の逆問題として、ソースローカライゼーションは極めて困難であり、異なるソースが同じグラフ拡散パターンに繋がる可能性がある。
従来のソースローカライズ手法と異なり,本論文では,異なる候補ソースの不確実性を考慮した確率的手法に焦点を当てる。
このような努力には 克服すべき課題があります
1) グラフ拡散源の局所化の不確実性は定量化が難しい。
2)グラフ拡散源の複雑なパターンを確率的に特徴づけることは困難である。
3)任意の拡散パターンに基づく一般化を課すことは困難である。
そこで本稿では, 拡散源を任意の拡散パターンで同定するためのsl-vae(source localization variational autoencoder)という汎用フレームワークを提案する。
特に, 不確かさを定量化するために拡散源分布を近似する深部生成モデルとともに, 前方拡散推定モデルを活用する確率モデルを提案する。
SL-VAEはさらに、ソース観測ペアの事前知識を利用して、学習された生成前の拡散源の複雑なパターンを特徴付ける。
最後に、前方拡散推定モデルを統合する統一目的を導出し、任意の拡散パターンの下でモデルを一般化させる。
SL-VAEの拡散源再構築における優位性を示すために,AUCスコアの平均20%で他の手法に優れる7つの実世界のデータセットを用いて大規模な実験を行った。
関連論文リスト
- G2D2: Gradient-guided Discrete Diffusion for image inverse problem solving [55.185588994883226]
本稿では,従来の離散拡散に基づく画像生成モデルを活用することによって,線形逆問題に対処する新しい手法を提案する。
我々の知る限りでは、これは画像逆問題を解決するために離散拡散モデルに基づく先行手法を使う最初のアプローチである。
論文 参考訳（メタデータ） (2024-10-09T06:18:25Z) - Multiple-Source Localization from a Single-Snapshot Observation Using Graph Bayesian Optimization [10.011338977476804]
単一スナップショット観測によるマルチソースのローカライゼーションは、その頻度が原因で特に重要となる。
現在の方法は典型的には欲求選択を利用しており、通常は1つの拡散モデルと結合する。
そこで本研究では,BOSouLというシミュレーション手法を用いて,サンプル効率を近似する手法を提案する。
論文 参考訳（メタデータ） (2024-03-25T14:46:24Z) - Theoretical Insights for Diffusion Guidance: A Case Study for Gaussian
Mixture Models [59.331993845831946]
拡散モデルは、所望の特性に向けてサンプル生成を操るために、スコア関数にタスク固有の情報を注入することの恩恵を受ける。
本稿では,ガウス混合モデルの文脈における拡散モデルに対する誘導の影響を理解するための最初の理論的研究を提供する。
論文 参考訳（メタデータ） (2024-03-03T23:15:48Z) - Lecture Notes in Probabilistic Diffusion Models [0.5361320134021585]
拡散モデルは非平衡熱力学に基づいてゆるやかにモデル化される。
拡散モデルは、元のデータサンプルが属するデータ多様体を学習する。
拡散モデルは、変分オートエンコーダやフローモデルとは異なり、元のデータと同じ次元の潜伏変数を持つ。
論文 参考訳（メタデータ） (2023-12-16T09:36:54Z) - Guided Diffusion from Self-Supervised Diffusion Features [49.78673164423208]
ガイダンスは拡散モデルにおいて重要な概念として機能するが、その効果は追加のデータアノテーションや事前学習の必要性によって制限されることが多い。
本稿では,拡散モデルからガイダンスを抽出するフレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-14T11:19:11Z) - 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) - Eliminating Lipschitz Singularities in Diffusion Models [51.806899946775076]
拡散モデルは、時間ステップの零点付近で無限のリプシッツをしばしば表すことを示す。
これは、積分演算に依存する拡散過程の安定性と精度に脅威をもたらす。
我々はE-TSDMと呼ばれる新しい手法を提案し、これは0に近い拡散モデルのリプシッツを除去する。
論文 参考訳（メタデータ） (2023-06-20T03:05:28Z) - 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) - Diffusion Models in Vision: A Survey [80.82832715884597]
拡散モデルは、前方拡散段階と逆拡散段階の2つの段階に基づく深層生成モデルである。
拡散モデルは、既知の計算負荷にもかかわらず、生成したサンプルの品質と多様性に対して広く評価されている。
論文 参考訳（メタデータ） (2022-09-10T22:00:30Z) - An Invertible Graph Diffusion Neural Network for Source Localization [8.811725212252544]
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。
論文 参考訳（メタデータ） (2022-06-18T14:35:27Z)
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。