論文の概要: Discrete Diffusion Schrödinger Bridge Matching for Graph Transformation

• arxiv url: http://arxiv.org/abs/2410.01500v1
• Date: Wed, 2 Oct 2024 12:51:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-04 17:24:31.150792
• Title: Discrete Diffusion Schrödinger Bridge Matching for Graph Transformation
• Title（参考訳）: グラフ変換のための離散拡散シュレーディンガーブリッジマッチング
• Authors: Jun Hyeong Kim, Seonghwan Kim, Seokhyun Moon, Hyeongwoo Kim, Jeheon Woo, Woo Youn Kim,
• Abstract要約: 任意の分布間の分布の移動は、生成的モデリングの基本的な目標である。 近年提案されている拡散ブリッジモデルは潜在的な解決策を提供するが、実際には得られ難い共同分布に依存している。 高次元離散状態空間におけるSB問題の解法として,連続的マルコフ連鎖を利用した新しいフレームワークであるDDSBM(Disdisrete Diffusion Schr"odinger Bridge Matching)を提案する。
• 参考スコア（独自算出の注目度）: 1.8257739595540863
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transporting between arbitrary distributions is a fundamental goal in generative modeling. Recently proposed diffusion bridge models provide a potential solution, but they rely on a joint distribution that is difficult to obtain in practice. Furthermore, formulations based on continuous domains limit their applicability to discrete domains such as graphs. To overcome these limitations, we propose Discrete Diffusion Schr\"odinger Bridge Matching (DDSBM), a novel framework that utilizes continuous-time Markov chains to solve the SB problem in a high-dimensional discrete state space. Our approach extends Iterative Markovian Fitting to discrete domains, and we have proved its convergence to the SB. Furthermore, we adapt our framework for the graph transformation and show that our design choice of underlying dynamics characterized by independent modifications of nodes and edges can be interpreted as the entropy-regularized version of optimal transport with a cost function described by the graph edit distance. To demonstrate the effectiveness of our framework, we have applied DDSBM to molecular optimization in the field of chemistry. Experimental results demonstrate that DDSBM effectively optimizes molecules' property-of-interest with minimal graph transformation, successfully retaining other features.
• Abstract（参考訳）: 任意の分布間の移動は生成的モデリングの基本的な目標である。 最近提案された拡散ブリッジモデルは潜在的な解決策を提供するが、実際は得られ難い共同分布に依存している。 さらに、連続領域に基づく定式化はグラフのような離散領域に適用性を制限する。 これらの制約を克服するため、高次元離散状態空間におけるSB問題の解決に連続的なマルコフ連鎖を利用する新しいフレームワークであるDDSBM(Disdisrete Diffusion Schr\"odinger Bridge Matching)を提案する。 我々のアプローチは、イテレーティブマルコフフィッティングを離散領域に拡張し、その収束性をSBに証明した。 さらに,グラフ変換の枠組みを適応させ,ノードとエッジの独立な変更を特徴とする基盤力学の設計選択を,グラフ編集距離によって記述されたコスト関数を持つ最適輸送のエントロピー正規化版として解釈できることを示す。 本フレームワークの有効性を示すため,化学分野における分子最適化にDDSBMを適用した。 実験の結果,DDSBMは最小限のグラフ変換で分子の性質を効果的に最適化し,他の特徴の保持に成功した。

関連論文リスト

• Latent Schrodinger Bridge: Prompting Latent Diffusion for Fast Unpaired Image-to-Image Translation [58.19676004192321]
  ノイズからの画像生成とデータからの逆変換の両方を可能にする拡散モデル (DM) は、強力な未ペア画像対イメージ(I2I)翻訳アルゴリズムにインスピレーションを与えている。 我々は、最小輸送コストの分布間の微分方程式(SDE)であるSchrodinger Bridges (SBs) を用いてこの問題に取り組む。 この観測に触発されて,SB ODE を予め訓練した安定拡散により近似する潜在シュロディンガー橋 (LSB) を提案する。 提案アルゴリズムは,従来のDMのコストをわずかに抑えながら,教師なし環境での競合的I2I翻訳を実現していることを示す。
  論文  参考訳（メタデータ） (2024-11-22T11:24:14Z)
• Identifying Drift, Diffusion, and Causal Structure from Temporal Snapshots [10.018568337210876]
  本稿では,SDEの時空間からのドリフトと拡散を共同で推定する,最初の包括的アプローチを提案する。 これらのステップのそれぞれが、Kullback-Leiblerデータセットに関して常に最適であることを示す。
  論文  参考訳（メタデータ） (2024-10-30T06:28:21Z)
• DeFoG: Discrete Flow Matching for Graph Generation [45.037260759871124]
  グラフ生成のための離散フローマッチングを用いた新しいフレームワークであるDeFoGを提案する。 DeFoGはフローベースのアプローチを採用しており、効率的な線形雑音化プロセスと柔軟な雑音化プロセスを備えている。 我々は,DeFoGが合成および分子データセット上で最先端の結果を得ることを示す。
  論文  参考訳（メタデータ） (2024-10-05T18:52:54Z)
• AdjointDEIS: Efficient Gradients for Diffusion Models [2.0795007613453445]
  拡散SDEに対する連続随伴方程式は、実際には単純なODEに単純化されていることを示す。 また, 顔形態形成問題の形で, 対向攻撃による誘導生成に対するAdjointDEISの有効性を実証した。
  論文  参考訳（メタデータ） (2024-05-23T19:51:33Z)
• Gaussian Mixture Solvers for Diffusion Models [84.83349474361204]
  本稿では,拡散モデルのためのGMSと呼ばれる,SDEに基づく新しい解法について紹介する。 画像生成およびストロークベース合成におけるサンプル品質の観点から,SDEに基づく多くの解法よりも優れる。
  論文  参考訳（メタデータ） (2023-11-02T02:05:38Z)
• Optimization-Induced Graph Implicit Nonlinear Diffusion [64.39772634635273]
  我々はGIND(Graph Implicit Diffusion)と呼ばれる新しいグラフ畳み込み変種を提案する。 GINDは暗黙的に隣人の無限のホップにアクセスでき、非線型拡散を伴う特徴を適応的に集約することで過度な平滑化を防いでいる。 学習された表現は、明示的な凸最適化目標の最小化として定式化できることを示す。
  論文  参考訳（メタデータ） (2022-06-29T06:26:42Z)
• 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)
• Probabilistic Circuits for Variational Inference in Discrete Graphical Models [101.28528515775842]
  変分法による離散的グラフィカルモデルの推論は困難である。 エビデンス・ロウアーバウンド(ELBO)を推定するためのサンプリングに基づく多くの手法が提案されている。 Sum Product Networks (SPN) のような確率的回路モデルのトラクタビリティを活用する新しい手法を提案する。 選択的SPNが表現的変動分布として適していることを示し、対象モデルの対数密度が重み付けされた場合、対応するELBOを解析的に計算可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-22T05:04:38Z)
• Targeted free energy estimation via learned mappings [66.20146549150475]
  自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。 FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。 目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
  論文  参考訳（メタデータ） (2020-02-12T11:10:00Z)

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。