論文の概要: Cometh: A continuous-time discrete-state graph diffusion model
- arxiv url: http://arxiv.org/abs/2406.06449v1
- Date: Mon, 10 Jun 2024 16:39:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-11 12:59:23.953568
- Title: Cometh: A continuous-time discrete-state graph diffusion model
- Title（参考訳）: Cometh: 連続時間離散状態グラフ拡散モデル
- Authors: Antoine Siraudin, Fragkiskos D. Malliaros, Christopher Morris,
- Abstract要約: 我々は,連続時間離散状態グラフ拡散モデルであるCometを提案し,グラフデータを連続時間拡散モデルフレームワークに統合する。
連続時間の統合は、最先端の離散状態拡散モデルよりも様々な指標において顕著な改善をもたらすことを示す。
- 参考スコア（独自算出の注目度）: 8.444907767842228
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Discrete-state denoising diffusion models led to state-of-the-art performance in graph generation, especially in the molecular domain. Recently, they have been transposed to continuous time, allowing more flexibility in the reverse process and a better trade-off between sampling efficiency and quality. Here, to leverage the benefits of both approaches, we propose Cometh, a continuous-time discrete-state graph diffusion model, integrating graph data into a continuous-time diffusion model framework. Empirically, we show that integrating continuous time leads to significant improvements across various metrics over state-of-the-art discrete-state diffusion models on a large set of molecular and non-molecular benchmark datasets.
- Abstract（参考訳）: 離散状態分解拡散モデルにより、特に分子領域におけるグラフ生成における最先端の性能が向上した。
最近、それらは継続的な時間に変換され、リバースプロセスの柔軟性が向上し、サンプリング効率と品質のトレードオフが良くなった。
本稿では,両手法の利点を活用するために,連続時間離散状態グラフ拡散モデルであるCometを提案し,グラフデータを連続時間拡散モデルフレームワークに統合する。
実験により、連続時間の統合は、分子および非分子ベンチマークデータセットの大規模なセット上での最先端の離散状態拡散モデルよりも、様々な指標において顕著な改善をもたらすことを示す。
関連論文リスト
- SigDiffusions: Score-Based Diffusion Models for Long Time Series via Log-Signature Embeddings [3.801509221714223]
SigDiffusionは、データのログ署名で動作する新しい拡散モデルである。
対数符号式から信号を取り出すため、我々は新しい閉形式反転式を提供する。
SigDiffusionとこれらの公式を組み合わせることで、非常に現実的な時系列生成が得られることを示す。
論文 参考訳（メタデータ） (2024-06-14T18:04:06Z) - Discrete-state Continuous-time Diffusion for Graph Generation [46.626952802292074]
拡散生成モデルはグラフ生成タスクに適用されている。
離散状態連続時間設定でグラフ拡散生成を定式化する。
提案モデルでは,最先端のグラフ生成ソリューションと競合する経験的性能を示す。
論文 参考訳（メタデータ） (2024-05-19T00:09:42Z) - Convergence Analysis of Discrete Diffusion Model: Exact Implementation
through Uniformization [17.535229185525353]
連続マルコフ連鎖の均一化を利用したアルゴリズムを導入し、ランダムな時間点の遷移を実装した。
我々の結果は、$mathbbRd$における拡散モデルの最先端の成果と一致し、さらに$mathbbRd$設定と比較して離散拡散モデルの利点を浮き彫りにする。
論文 参考訳（メタデータ） (2024-02-12T22:26:52Z) - Time Series Diffusion in the Frequency Domain [54.60573052311487]
周波数領域における時系列表現がスコアベース拡散モデルに有用な帰納バイアスであるか否かを解析する。
重要なニュアンスを持つ周波数領域において、二重拡散過程が生じることを示す。
周波数領域に拡散モデルを実装するために,デノナイジングスコアマッチング手法を適用する方法を示す。
論文 参考訳（メタデータ） (2024-02-08T18:59:05Z) - Fast Sampling via Discrete Non-Markov Diffusion Models [49.598085130313514]
離散データ生成のための高速化された逆サンプリングを許容する離散非マルコフ拡散モデルを提案する。
提案手法は, ニューラルネットワークに対する関数評価の回数を大幅に削減し, サンプリング処理を高速化する。
論文 参考訳（メタデータ） (2023-12-14T18:14:11Z) - Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。
条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。
提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文 参考訳（メタデータ） (2022-11-30T05:33:29Z) - 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) - How Much is Enough? A Study on Diffusion Times in Score-based Generative
Models [76.76860707897413]
現在のベストプラクティスは、フォワードダイナミクスが既知の単純なノイズ分布に十分に近づくことを確実にするために大きなTを提唱している。
本稿では, 理想とシミュレーションされたフォワードダイナミクスのギャップを埋めるために補助モデルを用いて, 標準的な逆拡散過程を導出する方法について述べる。
論文 参考訳（メタデータ） (2022-06-10T15:09:46Z) - A Continuous Time Framework for Discrete Denoising Models [43.135447812798155]
離散データの拡散モデルを決定するための,最初の完全な連続時間フレームワークを提供する。
これは、連続時間マルコフ連鎖(CTMC)としてフォワードノイズ発生過程と対応する逆時間生成過程を定式化することによって達成される。
論文 参考訳（メタデータ） (2022-05-30T10:37:41Z)
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。