論文の概要: SaGess: Sampling Graph Denoising Diffusion Model for Scalable Graph Generation

• arxiv url: http://arxiv.org/abs/2306.16827v1
• Date: Thu, 29 Jun 2023 10:02:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-30 13:59:16.427316
• Title: SaGess: Sampling Graph Denoising Diffusion Model for Scalable Graph Generation
• Title（参考訳）: SaGess: スケーラブルグラフ生成のための拡散モデルをサンプリングする
• Authors: Stratis Limnios, Praveen Selvaraj, Mihai Cucuringu, Carsten Maple, Gesine Reinert, Andrew Elliott
• Abstract要約: SaGess は拡散モデル (DiGress) を一般化された分割・分散フレームワークで拡張することで、大規模な現実世界のネットワークを生成することができる。 SaGessは、最先端のグラフ生成手法の大部分を重要な要因によって上回っている。
• 参考スコア（独自算出の注目度）: 7.66297856898883
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Over recent years, denoising diffusion generative models have come to be considered as state-of-the-art methods for synthetic data generation, especially in the case of generating images. These approaches have also proved successful in other applications such as tabular and graph data generation. However, due to computational complexity, to this date, the application of these techniques to graph data has been restricted to small graphs, such as those used in molecular modeling. In this paper, we propose SaGess, a discrete denoising diffusion approach, which is able to generate large real-world networks by augmenting a diffusion model (DiGress) with a generalized divide-and-conquer framework. The algorithm is capable of generating larger graphs by sampling a covering of subgraphs of the initial graph in order to train DiGress. SaGess then constructs a synthetic graph using the subgraphs that have been generated by DiGress. We evaluate the quality of the synthetic data sets against several competitor methods by comparing graph statistics between the original and synthetic samples, as well as evaluating the utility of the synthetic data set produced by using it to train a task-driven model, namely link prediction. In our experiments, SaGess, outperforms most of the one-shot state-of-the-art graph generating methods by a significant factor, both on the graph metrics and on the link prediction task.
• Abstract（参考訳）: 近年,特に画像生成における合成データ生成の最先端手法として,拡散生成モデルが注目されている。 これらのアプローチは、表型やグラフデータ生成といった他のアプリケーションでも成功している。 しかし、計算の複雑さのために、今日までこれらの技術のグラフデータへの応用は、分子モデリングで使われるような小さなグラフに限定されてきた。 本稿では,分散モデル (DiGress) を一般化した分割・分散フレームワークで拡張することにより,大規模な実世界のネットワークを生成可能な離散化拡散手法SaGessを提案する。 このアルゴリズムは、ディグレスを訓練するために初期グラフのサブグラフの被覆をサンプリングすることで、より大きなグラフを生成することができる。 その後、SaGessはDiGressによって生成された部分グラフを使用して合成グラフを構築する。 そこで本研究では,合成データと合成データとのグラフ統計を比較することで,いくつかの競合手法に対する合成データの品質評価を行い,それを用いて生成した合成データの有用性を評価し,タスク駆動モデル,すなわちリンク予測を訓練する。 私たちの実験では、sagessはグラフメトリクスとリンク予測タスクの両方において、最先端グラフ生成メソッドの大部分を大きな要因で上回っています。

関連論文リスト

• Data Augmentation in Graph Neural Networks: The Role of Generated Synthetic Graphs [0.24999074238880487]
  本研究では,データ拡張のための生成グラフについて検討する。 生成したグラフを実グラフと組み合わせることのパフォーマンスを比較し、生成したグラフの量が異なることがグラフ分類タスクに与える影響を調べる。 その結果,グラフデータの拡張,一貫性のあるラベルの確保,分類性能の向上など,新たなアプローチが導入された。
  論文  参考訳（メタデータ） (2024-07-20T06:05:26Z)
• 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)
• Permutation Equivariant Graph Framelets for Heterophilous Graph Learning [6.679929638714752]
  本研究では,Haar型グラフフレームレットの構築により,マルチスケール抽出を実現する手法を開発した。 ヘテロ親和性グラフの特定のデータセット上で,我々のモデルが最高の性能を達成できることが示される。
  論文  参考訳（メタデータ） (2023-06-07T09:05:56Z)
• 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)
• Node Copying: A Random Graph Model for Effective Graph Sampling [35.957719744856696]
  本稿では,グラフ上の分布を構成するノードコピーモデルを提案する。 コピーモデルの有用性を3つのタスクで示す。 提案モデルを用いて,グラフトポロジに対する敵攻撃の効果を緩和する。
  論文  参考訳（メタデータ） (2022-08-04T04:04:49Z)
• Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
  本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。 我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
  論文  参考訳（メタデータ） (2022-06-28T02:10:05Z)
• 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 Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• 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。