論文の概要: Advancing Graph Generation through Beta Diffusion

• arxiv url: http://arxiv.org/abs/2406.09357v2
• Date: Sun, 06 Oct 2024 02:43:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-08 18:00:08.541543
• 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: Xinyang Liu, Yilin He, Bo Chen, Mingyuan Zhou,
• Abstract要約: Graph Beta Diffusion (GBD)は、グラフデータの多様な性質を扱うために特別に設計された生成モデルである。 本稿では, 臨界グラフトポロジを安定化させることにより, 生成グラフの現実性を高める変調手法を提案する。
• 参考スコア（独自算出の注目度）: 49.49740940068255
• License:
• Abstract: Diffusion models have excelled in generating natural images and are now being adapted to a variety of data types, including graphs. However, conventional models often rely on Gaussian or categorical diffusion processes, which can struggle to accommodate the mixed discrete and continuous components characteristic of graph data. Graphs typically feature discrete structures and continuous node attributes that often exhibit rich statistical patterns, including sparsity, bounded ranges, skewed distributions, and long-tailed behavior. To address these challenges, we introduce Graph Beta Diffusion (GBD), a generative model specifically designed to handle the diverse nature of graph data. GBD leverages a beta diffusion process, effectively modeling both continuous and discrete elements. Additionally, we propose a modulation technique that enhances the realism of generated graphs by stabilizing critical graph topology while maintaining flexibility for other components. GBD competes strongly with existing models across multiple general and biochemical graph benchmarks, showcasing its ability to capture the intricate balance between discrete and continuous features inherent in real-world graph data. The PyTorch code is available on GitHub.
• Abstract（参考訳）: 拡散モデルは自然画像の生成に優れており、グラフを含む様々なデータタイプに適応している。 しかし、従来のモデルはガウス的あるいは分類的拡散過程に依存しており、グラフデータの特徴を持つ混合離散成分と連続成分に対応するのに苦労することがある。 グラフは通常、離散構造と連続ノード属性を特徴とし、空間性、有界範囲、歪んだ分布、長い尾の振舞いなど、リッチな統計パターンをしばしば示す。 これらの課題に対処するために、グラフデータの多様な性質を扱うために特別に設計された生成モデルであるGraph Beta Diffusion (GBD)を導入する。 GBDはベータ拡散プロセスを利用し、連続要素と離散要素の両方を効果的にモデル化する。 さらに,他のコンポーネントの柔軟性を維持しつつ,クリティカルグラフトポロジを安定化させることにより,生成グラフのリアリズムを向上させる変調手法を提案する。 GBDは、複数の一般および生化学グラフベンチマークにまたがる既存のモデルと強く競合し、実世界のグラフデータに固有の離散的特徴と連続的特徴の間の複雑なバランスを捉える能力を示している。 PyTorchのコードはGitHubで公開されている。

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。