論文の概要: Generative Diffusion Models on Graphs: Methods and Applications
- arxiv url: http://arxiv.org/abs/2302.02591v1
- Date: Mon, 6 Feb 2023 06:58:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-07 17:33:15.452371
- Title: Generative Diffusion Models on Graphs: Methods and Applications
- Title(参考訳): グラフ上の生成拡散モデル:方法と応用
- Authors: Wenqi Fan, Chengyi Liu, Yunqing Liu, Jiatong Li, Hang Li, Hui Liu,
Jiliang Tang, Qing Li
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 38.86404263142255
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diffusion models, as a novel generative paradigm, have achieved remarkable
success in various image generation tasks such as image inpainting,
image-to-text translation, and video generation. Graph generation is a crucial
computational task on graphs with numerous real-world applications. It aims to
learn the distribution of given graphs and then generate new graphs. Given the
great success of diffusion models in image generation, increasing efforts have
been made to leverage these techniques to advance graph generation in recent
years. In this paper, we first provide a comprehensive overview of generative
diffusion models on graphs, In particular, we review representative algorithms
for three variants of graph diffusion models, i.e., Score Matching with
Langevin Dynamics (SMLD), Denoising Diffusion Probabilistic Model (DDPM), and
Score-based Generative Model (SGM). Then, we summarize the major applications
of generative diffusion models on graphs with a specific focus on molecule and
protein modeling. Finally, we discuss promising directions in generative
diffusion models on graph-structured data.
- Abstract(参考訳): 拡散モデルは、新しい生成パラダイムとして、画像インペインティング、画像からテキストへの翻訳、ビデオ生成といった様々な画像生成タスクで顕著な成功を収めている。
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。
与えられたグラフの分布を学習し、新しいグラフを生成することを目的としている。
画像生成における拡散モデルの大きな成功を考えると、近年、これらの技術を活用してグラフ生成を推し進める努力が増えている。
本稿ではまず,グラフ上の生成拡散モデルの概要について概説する。特に,グラフ拡散モデルの3つの変種,すなわち,Score Matching with Langevin Dynamics (SMLD), Denoising Diffusion Probabilistic Model (DDPM), Score-based Generative Model (SGM)の代表的なアルゴリズムについて述べる。
次に、分子とタンパク質のモデリングに特に焦点をあてたグラフ上の生成拡散モデルの主な応用を概説する。
最後に,グラフ構造データの生成拡散モデルにおける有望な方向について論じる。
関連論文リスト
- Neural Graph Generator: Feature-Conditioned Graph Generation using
Latent Diffusion Models [25.955288828517666]
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 via Bootstrapped
Representations [83.38975906054507]
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) - Diffusion-based graph generative methods [54.76520536632757]
拡散に基づくグラフ生成法について,系統的,包括的に検討した。
まず,拡散モデル,スコアベース生成モデル,微分方程式の3つの主流パラダイムについて概説する。
最後に,現在の研究の限界と今後の探査の方向性を指摘する。
論文 参考訳(メタデータ) (2024-01-28T10:09:05Z) - Hyperbolic Graph Diffusion Model [24.049660417511074]
双曲グラフ拡散モデル(HGDM)と呼ばれる新しいグラフ生成法を提案する。
HGDMは、ノードを連続した双曲埋め込みにエンコードするオートエンコーダと、双曲潜在空間で動作するDMで構成される。
実験により、HGDMはグラフおよび分子生成ベンチマークにおいて、高度に階層的な構造を持つグラフ生成の品質を48%向上させることで、より良い性能を実現することが示された。
論文 参考訳(メタデータ) (2023-06-13T08:22:18Z) - 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) - A Survey on Graph Diffusion Models: Generative AI in Science for
Molecule, Protein and Material [9.887032352886052]
拡散モデルは様々な分野において新たなSOTA生成モデリング手法となっている。
グラフ拡散モデルの応用は、主に科学におけるAIGC(AI- generated content)のカテゴリに分類される。
本稿では,グラフ領域における拡散モデルの評価と既存課題について論じる。
論文 参考訳(メタデータ) (2023-04-04T06:41:15Z) - Graph Generation with Diffusion Mixture [64.94970275833258]
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) - DiGress: Discrete Denoising diffusion for graph generation [79.13904438217592]
DiGressは、分類ノードとエッジ属性を持つグラフを生成するための離散化拡散モデルである。
分子と非分子のデータセットで最先端のパフォーマンスを実現し、最大3倍の妥当性が向上する。
また、1.3Mの薬物様分子を含む大規模なGuacaMolデータセットにスケールする最初のモデルでもある。
論文 参考訳(メタデータ) (2022-09-29T12:55:03Z) - 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) - A Systematic Survey on Deep Generative Models for Graph Generation [16.546379779385575]
グラフ生成は与えられたグラフの分布を学習し、より新しいグラフを生成する。
グラフ生成のための深部生成モデルの最近の進歩は、生成されたグラフの忠実性を改善するための重要なステップである。
本稿では,グラフ生成のための深部生成モデル分野における文献の概要について概説する。
論文 参考訳(メタデータ) (2020-07-13T20:56:27Z)
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。