論文の概要: Diffusion-based Graph Generative Methods
- arxiv url: http://arxiv.org/abs/2401.15617v2
- Date: Tue, 16 Jul 2024 12:21:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-17 23:30:59.748628
- Title: Diffusion-based Graph Generative Methods
- Title（参考訳）: 拡散に基づくグラフ生成法
- Authors: Hongyang Chen, Can Xu, Lingyu Zheng, Qiang Zhang, Xuemin Lin,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 51.04666253001781
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Being the most cutting-edge generative methods, diffusion methods have shown great advances in wide generation tasks. Among them, graph generation attracts significant research attention for its broad application in real life. In our survey, we systematically and comprehensively review on diffusion-based graph generative methods. We first make a review on three mainstream paradigms of diffusion methods, which are denoising diffusion probabilistic models, score-based genrative models, and stochastic differential equations. Then we further categorize and introduce the latest applications of diffusion models on graphs. In the end, we point out some limitations of current studies and future directions of future explorations. The summary of existing methods metioned in this survey is in https://github.com/zhejiangzhuque/Diffusion-based-Graph-Generative-Methods.
- Abstract（参考訳）: 最も最先端な生成法であるため、拡散法は幅広いタスクにおいて大きな進歩を見せている。
中でもグラフ生成は、実生活に広く応用されていることから、大きな研究の注目を集めている。
本研究では,拡散グラフ生成法について,系統的,包括的に検討した。
まず,拡散確率モデル,スコアベース生成モデル,確率微分方程式の3つの主流パラダイムについて検討する。
次に、グラフ上の拡散モデルの最新の応用を分類し、紹介する。
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。
この調査で得られた既存のメソッドの要約はhttps://github.com/zhejiangzhuque/Diffusion-based-Graph-Generative-Methodsにある。
関連論文リスト
- Diffusion Models in Low-Level Vision: A Survey [82.77962165415153]
拡散モデルに基づくソリューションは、優れた品質と多様性のサンプルを作成する能力で広く称賛されている。
本稿では,3つの一般化拡散モデリングフレームワークを提案し,それらと他の深層生成モデルとの相関関係について検討する。
医療、リモートセンシング、ビデオシナリオなど、他のタスクに適用された拡張拡散モデルについて要約する。
論文 参考訳（メタデータ） (2024-06-17T01:49:27Z) - 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) - Directional diffusion models for graph representation learning [9.457273750874357]
我々は方向拡散モデルと呼ばれる新しいモデルのクラスを提案する。
これらのモデルは前方拡散過程にデータ依存、異方性、指向性ノイズを含む。
我々は,2つのグラフ表現学習タスクに焦点をあてて,12の公開データセットに関する広範な実験を行った。
論文 参考訳（メタデータ） (2023-06-22T21:27:48Z) - Complex Preferences for Different Convergent Priors in Discrete Graph
Diffusion [0.8602553195689513]
我々は、異なるベルヌーイ先行群に収束するように容易に調整可能な離散拡散核の族を新たに定式化する。
生成したグラフの品質は、以前使用したグラフに敏感であり、最適な選択は統計やメトリクスでは説明できないことを示す。
論文 参考訳（メタデータ） (2023-06-05T15:24:39Z) - 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) - 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) - 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 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)
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。