論文の概要: GraphGDP: Generative Diffusion Processes for Permutation Invariant Graph Generation

• arxiv url: http://arxiv.org/abs/2212.01842v1
• Date: Sun, 4 Dec 2022 15:12:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 19:01:55.214139
• Title: GraphGDP: Generative Diffusion Processes for Permutation Invariant Graph Generation
• Title（参考訳）: GraphGDP: 置換不変グラフ生成のための生成拡散プロセス
• Authors: Han Huang, Leilei Sun, Bowen Du, Yanjie Fu, Weifeng Lv
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 43.196067037856515
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph generative models have broad applications in biology, chemistry and social science. However, modelling and understanding the generative process of graphs is challenging due to the discrete and high-dimensional nature of graphs, as well as permutation invariance to node orderings in underlying graph distributions. Current leading autoregressive models fail to capture the permutation invariance nature of graphs for the reliance on generation ordering and have high time complexity. Here, we propose a continuous-time generative diffusion process for permutation invariant graph generation to mitigate these issues. Specifically, we first construct a forward diffusion process defined by a stochastic differential equation (SDE), which smoothly converts graphs within the complex distribution to random graphs that follow a known edge probability. Solving the corresponding reverse-time SDE, graphs can be generated from newly sampled random graphs. To facilitate the reverse-time SDE, we newly design a position-enhanced graph score network, capturing the evolving structure and position information from perturbed graphs for permutation equivariant score estimation. Under the evaluation of comprehensive metrics, our proposed generative diffusion process achieves competitive performance in graph distribution learning. Experimental results also show that GraphGDP can generate high-quality graphs in only 24 function evaluations, much faster than previous autoregressive models.
• Abstract（参考訳）: 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。 しかしながら、グラフの生成過程のモデリングと理解は、グラフの離散的かつ高次元の性質と、下位のグラフ分布におけるノード順序への置換不変性のため、困難である。 現在の先行的自己回帰モデルでは、生成順序に依存するグラフの置換不変性が捉えられず、高い時間複雑性を持つ。 本稿では,これらの問題を緩和するために,変分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。 具体的には、まず確率微分方程式(SDE)によって定義される前方拡散過程を構築し、複素分布内のグラフを既知のエッジ確率に従うランダムグラフに滑らかに変換する。 対応する逆時間SDEを解くと、新たにサンプリングされたランダムグラフからグラフを生成することができる。 逆時間sdeを容易にするために,位置強調グラフスコアネットワークを新たに設計し,摂動同変スコア推定のための摂動グラフから進化構造と位置情報を取得する。 包括的メトリクスの評価により,提案手法はグラフ分布学習において競争的性能を達成する。 実験の結果,グラフGDPは,従来の自己回帰モデルよりもはるかに高速に,24関数評価で高品質なグラフを生成することができた。

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)
• Advancing Graph Generation through Beta Diffusion [49.49740940068255]
  Graph Beta Diffusion (GBD)は、グラフデータの多様な性質を扱うために特別に設計された生成モデルである。 本稿では, 臨界グラフトポロジを安定化させることにより, 生成グラフの現実性を高める変調手法を提案する。
  論文  参考訳（メタデータ） (2024-06-13T17:42:57Z)
• 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)
• 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)
• 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)
• Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
  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。
  論文  参考訳（メタデータ） (2022-02-05T08:21:04Z)
• 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)

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。