Fugu-MT 論文翻訳(概要): Hyperbolic Graph Diffusion Model

論文の概要: Hyperbolic Graph Diffusion Model

arxiv url: http://arxiv.org/abs/2306.07618v3
Date: Wed, 3 Jan 2024 11:22:21 GMT
ステータス: 処理完了
システム内更新日: 2024-01-04 17:11:50.904009
Title: Hyperbolic Graph Diffusion Model
Title（参考訳）: 双曲グラフ拡散モデル
Authors: Lingfeng Wen, Xuan Tang, Mingjie Ouyang, Xiangxiang Shen, Jian Yang, Daxin Zhu, Mingsong Chen, Xian Wei
Abstract要約: 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。
参考スコア（独自算出の注目度）: 24.049660417511074
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Diffusion generative models (DMs) have achieved promising results in image and graph generation. However, real-world graphs, such as social networks, molecular graphs, and traffic graphs, generally share non-Euclidean topologies and hidden hierarchies. For example, the degree distributions of graphs are mostly power-law distributions. The current latent diffusion model embeds the hierarchical data in a Euclidean space, which leads to distortions and interferes with modeling the distribution. Instead, hyperbolic space has been found to be more suitable for capturing complex hierarchical structures due to its exponential growth property. In order to simultaneously utilize the data generation capabilities of diffusion models and the ability of hyperbolic embeddings to extract latent hierarchical distributions, we propose a novel graph generation method called, Hyperbolic Graph Diffusion Model (HGDM), which consists of an auto-encoder to encode nodes into successive hyperbolic embeddings, and a DM that operates in the hyperbolic latent space. HGDM captures the crucial graph structure distributions by constructing a hyperbolic potential node space that incorporates edge information. Extensive experiments show that HGDM achieves better performance in generic graph and molecule generation benchmarks, with a $48\%$ improvement in the quality of graph generation with highly hierarchical structures.
Abstract（参考訳）: 拡散生成モデル(DM)は画像およびグラフ生成において有望な結果を得た。しかし、ソーシャルネットワーク、分子グラフ、交通グラフといった現実世界のグラフは、一般に非ユークリッド位相と隠れ階層を共有する。例えば、グラフの次数分布は、ほとんどがパワーロー分布である。現在の潜在拡散モデルは、ユークリッド空間に階層的データを埋め込むことで歪みを生じさせ、分布のモデル化に干渉する。その代わり、双曲空間は指数的な成長特性のために複雑な階層構造を捉えるのにより適していることが判明した。本研究では,拡散モデルのデータ生成機能と,遅延階層分布の抽出にハイパーボリック埋め込みを同時に利用するために,ハイパーボリックグラフ拡散モデル (HGDM) と呼ばれる,ノードを連続したハイパーボリック埋め込みにエンコードするオートエンコーダと,ハイパーボリック潜在空間で動作するDMとを組み合わせたグラフ生成手法を提案する。 hgdmはエッジ情報を含む双曲ポテンシャルノード空間を構築することによって重要なグラフ構造分布をキャプチャする。大規模な実験により、HGDMはグラフと分子生成の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4,8\%改善した。

関連論文リスト

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)
Hyperbolic Geometric Latent Diffusion Model for Graph Generation [27.567428462212455]
拡散モデルはコンピュータビジョンに多大な貢献をしており、最近、グラフ生成への応用に関するコミュニティの関心が高まっている。本稿では,新しい幾何学的遅延拡散フレームワークHypDiffを提案する。具体的には、まず、双曲幾何学に基づく解釈可能性測度を持つ幾何学的潜在空間を確立し、グラフの異方性潜在拡散過程を定義する。そこで我々は, 放射状および角状両方の幾何学的性質に制約された幾何学的潜在拡散過程を提案し, 生成グラフにおける原位相特性の保存を確実にする。
論文参考訳（メタデータ） (2024-05-06T06:28:44Z)
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)
HiGen: Hierarchical Graph Generative Networks [2.3931689873603603]
ほとんどの実世界のグラフは階層構造を示しており、しばしば既存のグラフ生成法で見過ごされる。本稿では,グラフの階層的な性質を捉え,グラフのサブ構造を粗い方法で連続的に生成するグラフ生成ネットワークを提案する。このモジュラーアプローチは、大規模で複雑なグラフに対してスケーラブルなグラフ生成を可能にする。
論文参考訳（メタデータ） (2023-05-30T18:04:12Z)
HGWaveNet: A Hyperbolic Graph Neural Network for Temporal Link Prediction [9.110162634132827]
本稿では,時間的リンク予測のために,双曲空間とデータ分布間の適合性をフル活用した新しい双曲グラフニューラルネットワークHGWaveNetを提案する。具体的には,空間的位相構造と時間的進化情報を別々に学習するための2つの重要なモジュールを設計する。その結果,SOTA法による時間リンク予測では,AUCが6.67%向上した。
論文参考訳（メタデータ） (2023-04-14T07:07:00Z)
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)
Conditional Diffusion Based on Discrete Graph Structures for Molecular Graph Generation [32.66694406638287]
分子グラフ生成のための離散グラフ構造(CDGS)に基づく条件拡散モデルを提案する。具体的には、微分方程式(SDE)を用いて、グラフ構造と固有の特徴の両方に対して前方グラフ拡散過程を構築する。本稿では,中間グラフ状態からグローバルコンテキストと局所ノードエッジ依存性を抽出する,特殊なハイブリッドグラフノイズ予測モデルを提案する。
論文参考訳（メタデータ） (2023-01-01T15:24:15Z)
Fast Graph Generative Model via Spectral Diffusion [38.31052833073743]
空間全体におけるフルランク拡散SDEの実行は、学習グラフトポロジ生成からの拡散モデルを妨げると論じる。グラフスペクトル空間上の低ランク拡散SDEによって駆動される効率的なグラフスペクトル拡散モデル(GSDM)を提案する。
論文参考訳（メタデータ） (2022-11-16T12:56:32Z)
ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network [72.16255675586089]
本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
論文参考訳（メタデータ） (2021-10-15T07:18:57Z)
Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。本稿では,非自明なERGに対する近似フレームワークを提案する。我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。