論文の概要: Discrete Latent Graph Generative Modeling with Diffusion Bridges
- arxiv url: http://arxiv.org/abs/2403.16883v1
- Date: Mon, 25 Mar 2024 15:53:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-27 20:44:21.760274
- Title: Discrete Latent Graph Generative Modeling with Diffusion Bridges
- Title(参考訳): 拡散ブリッジを用いた離散遅延グラフ生成モデル
- Authors: Van Khoa Nguyen, Yoann Boget, Frantzeska Lavda, Alexandros Kalousis,
- Abstract要約: GLADを潜在空間グラフ生成モデルとして提示する。
従来のラテント空間グラフ生成モデルとは異なり、GLADは離散ラテント空間で動作する。
GLADは競争性能を持つ最初の潜在空間グラフ生成モデルであることを示す。
- 参考スコア(独自算出の注目度): 44.86731507203063
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning graph generative models over latent spaces has received less attention compared to models that operate on the original data space and has so far demonstrated lacklustre performance. We present GLAD a latent space graph generative model. Unlike most previous latent space graph generative models, GLAD operates on a discrete latent space that preserves to a significant extent the discrete nature of the graph structures making no unnatural assumptions such as latent space continuity. We learn the prior of our discrete latent space by adapting diffusion bridges to its structure. By operating over an appropriately constructed latent space we avoid relying on decompositions that are often used in models that operate in the original data space. We present experiments on a series of graph benchmark datasets which clearly show the superiority of the discrete latent space and obtain state of the art graph generative performance, making GLAD the first latent space graph generative model with competitive performance. Our source code is published at: \url{https://github.com/v18nguye/GLAD}.
- Abstract(参考訳): グラフ生成モデルを遅延空間上で学習することは、元のデータ空間で動作するモデルに比べてあまり注目されず、これまでは性能の欠如を実証してきた。
GLADを潜在空間グラフ生成モデルとして提示する。
従来のラテント空間グラフ生成モデルとは異なり、GLADは離散ラテント空間上で動作し、ラテント空間連続性のような不自然な仮定をしないグラフ構造の離散的性質をかなり保存する。
我々は拡散ブリッジをその構造に適応させることで離散潜在空間の先行を学習する。
適切に構築された潜在空間を操作することで、元のデータ空間で動作するモデルでよく使用される分解に依存することを避けることができる。
本稿では,離散潜在空間の優越性を明らかに示し,最先端グラフ生成性能を得る一連のグラフベンチマークデータセットの実験を行い,GLADを競合性能を持つ最初の潜在空間グラフ生成モデルとした。
ソースコードは以下に公開しています。 \url{https://github.com/v18nguye/GLAD}。
関連論文リスト
- 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) - Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳(メタデータ) (2024-01-12T17:57:07Z) - 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) - ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。
我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
論文 参考訳(メタデータ) (2023-04-07T15:17:48Z) - Projections of Model Spaces for Latent Graph Inference [18.219577154655006]
グラフニューラルネットワークは、グラフの接続構造を帰納バイアスとして利用する。
潜在グラフ推論は、適切なグラフ構造を学習して、モデルの下流のパフォーマンスを拡散し改善することに焦点を当てる。
論文 参考訳(メタデータ) (2023-03-21T11:20:22Z) - 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) - Latent Graph Inference using Product Manifolds [0.0]
遅延グラフ学習のための離散微分可能グラフモジュール(dDGM)を一般化する。
我々の新しいアプローチは、幅広いデータセットでテストされ、元のdDGMモデルよりも優れています。
論文 参考訳(メタデータ) (2022-11-26T22:13:06Z) - Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。
具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。
そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文 参考訳(メタデータ) (2022-02-17T02:17:31Z) - A Deep Latent Space Model for Graph Representation Learning [10.914558012458425]
本稿では,従来の潜時変動に基づく生成モデルをディープラーニングフレームワークに組み込むために,有向グラフのための深潜時空間モデル(DLSM)を提案する。
提案モデルは,階層的変動型オートエンコーダアーキテクチャによって階層的に接続されるグラフ畳み込みネットワーク(GCN)エンコーダとデコーダから構成される。
実世界のデータセットにおける実験により,提案モデルがリンク予測とコミュニティ検出の両タスクにおける最先端のパフォーマンスを達成することを示す。
論文 参考訳(メタデータ) (2021-06-22T12:41:19Z) - Hyperbolic Variational Graph Neural Network for Modeling Dynamic Graphs [77.33781731432163]
我々は,ノード表現の推論を目的とした双曲空間における動的グラフ表現を初めて学習する。
本稿では,HVGNNと呼ばれる新しいハイパーボリック変動グラフネットワークを提案する。
特に,動力学をモデル化するために,理論的に接地した時間符号化手法に基づく時間gnn(tgnn)を導入する。
論文 参考訳(メタデータ) (2021-04-06T01:44:15Z)
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。