論文の概要: A Survey on Graph Diffusion Models: Generative AI in Science for Molecule, Protein and Material

• arxiv url: http://arxiv.org/abs/2304.01565v1
• Date: Tue, 4 Apr 2023 06:41:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-05 14:53:08.929673
• Title: A Survey on Graph Diffusion Models: Generative AI in Science for Molecule, Protein and Material
• Title（参考訳）: グラフ拡散モデルに関する調査:分子・タンパク質・材料科学における生成AI
• Authors: Mengchun Zhang, Maryam Qamar, Taegoo Kang, Yuna Jung, Chenshuang Zhang, Sung-Ho Bae, Chaoning Zhang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 9.887032352886052
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Diffusion models have become a new SOTA generative modeling method in various fields, for which there are multiple survey works that provide an overall survey. With the number of articles on diffusion models increasing exponentially in the past few years, there is an increasing need for surveys of diffusion models on specific fields. In this work, we are committed to conducting a survey on the graph diffusion models. Even though our focus is to cover the progress of diffusion models in graphs, we first briefly summarize how other generative modeling methods are used for graphs. After that, we introduce the mechanism of diffusion models in various forms, which facilitates the discussion on the graph diffusion models. The applications of graph diffusion models mainly fall into the category of AI-generated content (AIGC) in science, for which we mainly focus on how graph diffusion models are utilized for generating molecules and proteins but also cover other cases, including materials design. Moreover, we discuss the issue of evaluating diffusion models in the graph domain and the existing challenges.
• Abstract（参考訳）: 拡散モデルが様々な分野における新たなsota生成モデリング手法となり、総合的な調査を提供する複数の調査が行なわれている。 近年,拡散モデルに関する記事が指数関数的に増えているため,特定の分野における拡散モデルの調査の必要性が高まっている。 本研究では,グラフ拡散モデルに関する調査を行うことを約束する。 グラフにおける拡散モデルの進展を網羅することに注力するが、まずグラフに他の生成的モデリング手法がどのように使われているかを簡単に要約する。 その後,様々な形態の拡散モデルのメカニズムを導入することにより,グラフ拡散モデルに関する議論が促進される。 グラフ拡散モデルの応用は、主に科学におけるAIGC(AI- generated content)のカテゴリに該当し、主に、グラフ拡散モデルが分子やタンパク質の生成にどのように利用されるかに焦点を当てるが、材料設計を含む他のケースもカバーしている。 さらに,グラフ領域における拡散モデルの評価問題と既存課題についても論じる。

関連論文リスト

• An Overview of Diffusion Models: Applications, Guided Generation, Statistical Rates and Optimization [59.63880337156392]
  拡散モデルはコンピュータビジョン、オーディオ、強化学習、計算生物学において大きな成功を収めた。 経験的成功にもかかわらず、拡散モデルの理論は非常に限定的である。 本稿では,前向きな理論や拡散モデルの手法を刺激する理論的露光について述べる。
  論文  参考訳（メタデータ） (2024-04-11T14:07:25Z)
• Diffusion-based Graph Generative Methods [51.04666253001781]
  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)
• Diffusion Models for Time Series Applications: A Survey [23.003273147019446]
  拡散モデルは現在、画像、ビデオ、テキスト合成に使われている。 我々は,時系列予測,計算,生成のための拡散に基づく手法に着目する。 拡散型手法の共通限界を結論し,今後の研究の方向性を明らかにする。
  論文  参考訳（メタデータ） (2023-05-01T02:06:46Z)
• 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)
• Diffusion Models for Medical Image Analysis: A Comprehensive Survey [7.272308924113656]
  生成モデルのクラスである拡散モデルのデノイングは、近年、様々なディープラーニング問題に多大な関心を集めている。 拡散モデルは、その強いモードカバレッジと、生成されたサンプルの品質で広く評価されている。 本調査では,医療画像解析の分野における拡散モデルの概要について概観する。
  論文  参考訳（メタデータ） (2022-11-14T23:50:52Z)
• Unifying Diffusion Models' Latent Space, with Applications to CycleDiffusion and Guidance [95.12230117950232]
  関係領域で独立に訓練された2つの拡散モデルから共通潜時空間が現れることを示す。 テキスト・画像拡散モデルにCycleDiffusionを適用することで、大規模なテキスト・画像拡散モデルがゼロショット画像・画像拡散エディタとして使用できることを示す。
  論文  参考訳（メタデータ） (2022-10-11T15:53:52Z)
• 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)
• A Survey on Generative Diffusion Model [75.93774014861978]
  拡散モデルは、深層生成モデルの新たなクラスである。 時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。 本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
  論文  参考訳（メタデータ） (2022-09-06T16:56:21Z)
• Diffusion Models: A Comprehensive Survey of Methods and Applications [10.557289965753437]
  拡散モデル(英: Diffusion model)は、密度理論の確立を伴う様々なタスクにおいて印象的な結果を示す深層生成モデルのクラスである。 近年,拡散モデルの性能向上への熱意が高まっている。
  論文  参考訳（メタデータ） (2022-09-02T02:59:10Z)

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。