Fugu-MT 論文翻訳(概要): FLOWGEN: Fast and slow graph generation

論文の概要: FLOWGEN: Fast and slow graph generation

arxiv url: http://arxiv.org/abs/2207.07656v1
Date: Fri, 15 Jul 2022 16:32:23 GMT
ステータス: 処理完了
システム内更新日: 2022-07-20 07:21:37.119406
Title: FLOWGEN: Fast and slow graph generation
Title（参考訳）: FLOWGEN: 高速で遅いグラフ生成
Authors: Aman Madaan, Yiming Yang
Abstract要約: 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。
参考スコア（独自算出の注目度）: 49.21890450444187
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present FLOWGEN, a graph-generation model inspired by the dual-process theory of mind that generates large graphs incrementally. Depending on the difficulty of completing the graph at the current step, graph generation is routed to either a fast~(weaker) or a slow~(stronger) model. fast and slow models have identical architectures, but vary in the number of parameters and consequently the strength. Experiments on real-world graphs show that ours can successfully generate graphs similar to those generated by a single large model in a fraction of time.
Abstract（参考訳）: 本稿では、大きなグラフを漸進的に生成する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。現在のステップでのグラフの完成の困難さに応じて、グラフ生成はfast~(weaker)かlow~(strong)モデルのいずれかにルーティングされる。高速で遅いモデルは、同じアーキテクチャを持つが、パラメータの数と結果として強度が異なる。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様のグラフを短時間で生成できることが示されている。

関連論文リスト

Random Walk Diffusion for Efficient Large-Scale Graph Generation [0.43108040967674194]
本稿では,ARROW-Diff(AutoRegressive RandOm Walk Diffusion)を提案する。我々は、ARROW-Diffが、生成時間と多重グラフ統計の両方の観点から、他のベースライン手法を超越して、大きなグラフに効率的にスケールできることを実証した。
論文参考訳（メタデータ） (2024-08-08T13:42:18Z)
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)
GraphMaker: Can Diffusion Models Generate Large Attributed Graphs? [7.330479039715941]
ノード属性を持つ大規模グラフは、様々な現実世界のアプリケーションでますます一般的になっている。従来のグラフ生成法は、これらの複雑な構造を扱う能力に制限がある。本稿では,大きな属性グラフを生成するために特別に設計された新しい拡散モデルであるGraphMakerを紹介する。
論文参考訳（メタデータ） (2023-10-20T22:12:46Z)
Efficient and Degree-Guided Graph Generation via Discrete Diffusion Modeling [20.618785908770356]
拡散に基づく生成グラフモデルは高品質の小さなグラフを生成するのに有効であることが証明されている。しかし、グラフ統計を推奨する何千ものノードを含む巨大なグラフを生成するには、よりスケーラブルである必要がある。本稿では,大きなグラフを持つ生成タスクに対処する新しい拡散型生成グラフモデルであるEDGEを提案する。
論文参考訳（メタデータ） (2023-05-06T18:32:27Z)
Graph Generation with Diffusion Mixture [57.78958552860948]
グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
論文参考訳（メタデータ） (2023-02-07T17:07:46Z)
Generative Diffusion Models on Graphs: Methods and Applications [50.44334458963234]
拡散モデルは、新しい生成パラダイムとして、様々な画像生成タスクにおいて顕著な成功を収めた。グラフ生成は多くの実世界のアプリケーションを持つグラフ上で重要な計算タスクである。
論文参考訳（メタデータ） (2023-02-06T06:58:17Z)
Instant Graph Neural Networks for Dynamic Graphs [18.916632816065935]
Instant Graph Neural Network (InstantGNN) を提案する。提案手法は,時間を要する反復計算を回避し,表現の即時更新と即時予測を可能にする。本モデルでは,既存手法よりも高精度かつ高次精度で最先端の精度を実現する。
論文参考訳（メタデータ） (2022-06-03T03:27:42Z)
TIGGER: Scalable Generative Modelling for Temporal Interaction Graphs [19.71442902979904]
既存の生成モデルは、時間的地平線やノード数とともにスケールしない。本稿では,このギャップをTIGGERと呼ばれる新しい生成モデルで埋める。我々は、TIGGERが優れた忠実度を持つグラフを生成すると同時に、最先端技術よりも最大3桁高速であることを示す。
論文参考訳（メタデータ） (2022-03-07T18:09:05Z)
Learning Graphon Autoencoders for Generative Graph Modeling [91.32624399902755]
Graphonは任意のサイズでグラフを生成する非パラメトリックモデルであり、グラフから簡単に誘導できる。解析可能でスケーラブルなグラフ生成モデルを構築するために,textitgraphon autoencoder という新しいフレームワークを提案する。線形グルーポン分解モデルはデコーダとして機能し、潜在表現を活用して誘導されたグルーポンを再構成する。
論文参考訳（メタデータ） (2021-05-29T08:11:40Z)
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。