論文の概要: Advancing Graph Generation through Beta Diffusion

• arxiv url: http://arxiv.org/abs/2406.09357v1
• Date: Thu, 13 Jun 2024 17:42:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-14 16:25:49.627848
• Title: Advancing Graph Generation through Beta Diffusion
• Title（参考訳）: ベータ拡散によるグラフ生成の促進
• Authors: Yilin He, Xinyang Liu, Bo Chen, Mingyuan Zhou,
• Abstract要約: グラフベータ拡散(英: Graph Beta Diffusion、GBD)は、様々なグラフ構造を捉えるのに有効な拡散ベースの生成モデルである。 我々は,臨界グラフ構造の生成を安定化させることにより,生成したグラフの現実性を高める変調手法を開発した。
• 参考スコア（独自算出の注目度）: 49.49740940068255
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models have demonstrated effectiveness in generating natural images and have been extended to generate diverse data types, including graphs. This new generation of diffusion-based graph generative models has demonstrated significant performance improvements over methods that rely on variational autoencoders or generative adversarial networks. It's important to recognize, however, that most of these models employ Gaussian or categorical diffusion processes, which can struggle with sparse and long-tailed data distributions. In our work, we introduce Graph Beta Diffusion (GBD), a diffusion-based generative model particularly adept at capturing diverse graph structures. GBD utilizes a beta diffusion process, tailored for the sparse and range-bounded characteristics of graph adjacency matrices. Furthermore, we have developed a modulation technique that enhances the realism of the generated graphs by stabilizing the generation of critical graph structures, while preserving flexibility elsewhere. The outstanding performance of GBD across three general graph benchmarks and two biochemical graph benchmarks highlights its capability to effectively capture the complexities of real-world graph data. The code will be made available at https://github.com/YH-UtMSB/Graph_Beta_Diffusion
• Abstract（参考訳）: 拡散モデルは自然画像の生成に効果を示し、グラフを含む多様なデータ型を生成するように拡張されている。 拡散に基づくグラフ生成モデルの新世代は、変分オートエンコーダや生成対向ネットワークに依存する手法よりも大幅に性能が向上した。 しかし、これらのモデルのほとんどはガウス的あるいはカテゴリー的拡散プロセスを採用しており、スパースと長い尾を持つデータ分布に苦しむ可能性があることを認識しておくことが重要です。 本研究では,多彩なグラフ構造を抽出できる拡散型生成モデルであるGraph Beta Diffusion (GBD)を紹介した。 GBDは,グラフ隣接行列のスパースおよび範囲境界特性に合わせて,ベータ拡散プロセスを利用する。 さらに、重要なグラフ構造の生成を安定化し、他の場所での柔軟性を保ちながら、生成したグラフのリアリズムを高める変調技術を開発した。 3つの一般的なグラフベンチマークと2つの生化学グラフベンチマークにおけるGBDの卓越した性能は、実世界のグラフデータの複雑さを効果的に捉える能力を強調している。 コードはhttps://github.com/YH-UtMSB/Graph_Beta_Diffusionで公開される。

関連論文リスト

• Neural Graph Generator: Feature-Conditioned Graph Generation using Latent Diffusion Models [22.794561387716502]
  グラフ生成に条件付き潜在拡散モデルを利用する新しい手法であるニューラルグラフ生成器(NGG)を導入する。 NGGは複雑なグラフパターンをモデル化し、グラフ生成プロセスの制御を提供する。
  論文  参考訳（メタデータ） (2024-03-03T15:28:47Z)
• Advective Diffusion Transformers for Topological Generalization in Graph Learning [69.2894350228753]
  グラフ拡散方程式は、様々なグラフトポロジーの存在下で、どのように外挿して一般化するかを示す。 本稿では,新たなグラフエンコーダのバックボーンであるAdvective Diffusion Transformer (ADiT)を提案する。
  論文  参考訳（メタデータ） (2023-10-10T08:40:47Z)
• GraphGUIDE: interpretable and controllable conditional graph generation with discrete Bernoulli diffusion [0.8602553195689513]
  拡散モデルは、現実的なオブジェクトを生成する際に最先端のパフォーマンスを達成する。 近年の研究は、薬物様分子のグラフ表現を含むグラフ上での拡散も定義できることを示した。 拡散モデルを用いたグラフ生成のための新しいフレームワークであるGraphGUIDEを提案する。
  論文  参考訳（メタデータ） (2023-02-07T22:58:29Z)
• 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)
• 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)
• Conditional Diffusion Based on Discrete Graph Structures for Molecular Graph Generation [32.66694406638287]
  分子グラフ生成のための離散グラフ構造(CDGS)に基づく条件拡散モデルを提案する。 具体的には、微分方程式(SDE)を用いて、グラフ構造と固有の特徴の両方に対して前方グラフ拡散過程を構築する。 本稿では,中間グラフ状態からグローバルコンテキストと局所ノードエッジ依存性を抽出する,特殊なハイブリッドグラフノイズ予測モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-01T15:24:15Z)
• GraphGDP: Generative Diffusion Processes for Permutation Invariant Graph Generation [43.196067037856515]
  グラフ生成モデルは生物学、化学、社会科学に広く応用されている。 現在の先行自己回帰モデルは、グラフの置換不変性を取り込むことができない。 置換不変グラフ生成のための連続時間生成拡散プロセスを提案する。
  論文  参考訳（メタデータ） (2022-12-04T15:12:44Z)
• 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)
• 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。