論文の概要: SteinGen: Generating Fidelitous and Diverse Graph Samples
- arxiv url: http://arxiv.org/abs/2403.18578v2
- Date: Thu, 4 Apr 2024 22:38:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-08 18:06:16.485395
- Title: SteinGen: Generating Fidelitous and Diverse Graph Samples
- Title（参考訳）: SteinGen: 水平グラフと横グラフのサンプルを生成する
- Authors: Gesine Reinert, Wenkai Xu,
- Abstract要約: 我々はSteinGenを導入し、観測された1つのグラフからグラフを生成する。
我々は,SteinGenが,サンプルの多様性と組み合わせて,元のデータに高い分布類似性(高忠実度)をもたらすことを示す。
- 参考スコア（独自算出の注目度）: 11.582357781579997
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generating graphs that preserve characteristic structures while promoting sample diversity can be challenging, especially when the number of graph observations is small. Here, we tackle the problem of graph generation from only one observed graph. The classical approach of graph generation from parametric models relies on the estimation of parameters, which can be inconsistent or expensive to compute due to intractable normalisation constants. Generative modelling based on machine learning techniques to generate high-quality graph samples avoids parameter estimation but usually requires abundant training samples. Our proposed generating procedure, SteinGen, which is phrased in the setting of graphs as realisations of exponential random graph models, combines ideas from Stein's method and MCMC by employing Markovian dynamics which are based on a Stein operator for the target model. SteinGen uses the Glauber dynamics associated with an estimated Stein operator to generate a sample, and re-estimates the Stein operator from the sample after every sampling step. We show that on a class of exponential random graph models this novel "estimation and re-estimation" generation strategy yields high distributional similarity (high fidelity) to the original data, combined with high sample diversity.
- Abstract（参考訳）: サンプルの多様性を促進しながら特性構造を保ちながらグラフを生成することは、特にグラフ観測の数が少ない場合、困難である。
ここでは、観測された1つのグラフのみからのグラフ生成の問題に取り組む。
パラメトリックモデルからのグラフ生成の古典的なアプローチはパラメータの推定に依存しており、これは難解な正規化定数のために計算に矛盾したりコストがかかる。
高品質なグラフサンプルを生成する機械学習技術に基づく生成モデリングは、パラメータ推定を避けるが、通常は豊富なトレーニングサンプルを必要とする。
提案手法であるSteinGenは,指数的ランダムグラフモデルの実現としてグラフの設定で表現され,ターゲットモデルに対するStein演算子に基づくマルコフ力学を用いて,Steinの手法とMCMCのアイデアを組み合わせる。
SteinGenは、推定されたStein演算子に関連するGlauberダイナミクスを使用してサンプルを生成し、サンプリングステップ毎にサンプルからStein演算子を再見積する。
指数的ランダムグラフのクラスにおいて、この新しい「推定と再推定」生成戦略は、元のデータに高い分布類似性(高忠実度)と高いサンプル多様性をもたらすことを示す。
関連論文リスト
- SaGess: Sampling Graph Denoising Diffusion Model for Scalable Graph
Generation [7.66297856898883]
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。
論文 参考訳（メタデータ） (2023-06-29T10:02:39Z) - Creating generalizable downstream graph models with random projections [22.690120515637854]
本稿では,グラフ全体にわたってモデルを一般化するグラフ表現学習手法について検討する。
遷移行列の複数のパワーを推定するためにランダムな射影を用いることで、同型不変な特徴の集合を構築することができることを示す。
結果として得られる特徴は、ノードの局所的近傍に関する十分な情報を回復するために使用することができ、他のアプローチと競合する推論を可能にする。
論文 参考訳（メタデータ） (2023-02-17T14:27:00Z) - 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) - 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) - AgraSSt: Approximate Graph Stein Statistics for Interpretable Assessment
of Implicit Graph Generators [10.616967871198689]
グラフ生成器の品質を評価するために,AgraSStという新しい統計手法を提案し,解析する。
特に、AgraSStを使用して、学習したグラフ生成プロセスが与えられた入力グラフに似たグラフを生成することができるかどうかを判断することができる。
我々は、既知のグラフ生成手順を持つ合成入力グラフと、グラフの最先端(深度)生成モデルを訓練した実世界の入力グラフの両方について実験結果を提供する。
論文 参考訳（メタデータ） (2022-03-07T19:12:40Z) - 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) - Learning Graphon Autoencoders for Generative Graph Modeling [91.32624399902755]
Graphonは任意のサイズでグラフを生成する非パラメトリックモデルであり、グラフから簡単に誘導できる。
解析可能でスケーラブルなグラフ生成モデルを構築するために,textitgraphon autoencoder という新しいフレームワークを提案する。
線形グルーポン分解モデルはデコーダとして機能し、潜在表現を活用して誘導されたグルーポンを再構成する。
論文 参考訳（メタデータ） (2021-05-29T08:11:40Z) - Scaling up graph homomorphism for classification via sampling [1.662966122370634]
グラフ準同型密度特徴を準同型数に対するスケーラブルな代替として使用することを検討する。
準同型密度の加法近似を計算する単純なサンプリングアルゴリズムの高性能な実装を提案する。
論文 参考訳（メタデータ） (2021-04-08T20:25:37Z) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳（メタデータ） (2020-10-05T20:03:13Z) - Permutation Invariant Graph Generation via Score-Based Generative
Modeling [114.12935776726606]
本稿では,最近のスコアベース生成モデルを用いて,グラフモデリングにおける置換不変手法を提案する。
特に、入力グラフにおけるデータ分布の勾配をモデル化するために、置換同変のマルチチャネルグラフニューラルネットワークを設計する。
グラフ生成では、我々の学習アプローチはベンチマークデータセット上の既存のモデルよりも良い、あるいは同等の結果を得る。
論文 参考訳（メタデータ） (2020-03-02T03:06:14Z) - 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。