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)
• 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)
• Improving Graph Generation by Restricting Graph Bandwidth [0.7874708385247353]
  ディープグラフ生成モデリングは、実世界のグラフを特徴付ける複雑なマルチスケール構造の分布を学習できることが証明されている。 既存の方法の主な制限の1つは、その大きな出力空間である。 本稿では,既存のグラフ生成モデルの出力空間を大幅に削減する新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-01-25T22:27:46Z)
• 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)
• DiGress: Discrete Denoising diffusion for graph generation [79.13904438217592]
  DiGressは、分類ノードとエッジ属性を持つグラフを生成するための離散化拡散モデルである。 分子と非分子のデータセットで最先端のパフォーマンスを実現し、最大3倍の妥当性が向上する。 また、1.3Mの薬物様分子を含む大規模なGuacaMolデータセットにスケールする最初のモデルでもある。
  論文  参考訳（メタデータ） (2022-09-29T12:55:03Z)
• 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)
• GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
  GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。 具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。 エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
  論文  参考訳（メタデータ） (2021-06-05T07:07:52Z)
• Efficient Robustness Certificates for Discrete Data: Sparsity-Aware Randomized Smoothing for Graphs, Images and More [85.52940587312256]
  本稿では,初期作業を想定したランダム化平滑化フレームワークに基づくモデル非依存の証明書を提案する。 このアプローチがさまざまなモデル、データセット、タスクに対して有効であることを示します。
  論文  参考訳（メタデータ） (2020-08-29T10:09:02Z)

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。