論文の概要: DeFoG: Discrete Flow Matching for Graph Generation
- arxiv url: http://arxiv.org/abs/2410.04263v2
- Date: Fri, 07 Mar 2025 12:18:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-10 19:13:14.647435
- Title: DeFoG: Discrete Flow Matching for Graph Generation
- Title(参考訳): DeFoG: グラフ生成のための離散フローマッチング
- Authors: Yiming Qin, Manuel Madeira, Dorina Thanou, Pascal Frossard,
- Abstract要約: DeFoGは、トレーニングからサンプリングをアンタングルするグラフ生成フレームワークである。
本稿では,性能を著しく向上し,必要な精錬工程数を削減できる新しいサンプリング手法を提案する。
- 参考スコア(独自算出の注目度): 45.037260759871124
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph generative models are essential across diverse scientific domains by capturing complex distributions over relational data. Among them, graph diffusion models achieve superior performance but face inefficient sampling and limited flexibility due to the tight coupling between training and sampling stages. We introduce DeFoG, a novel graph generative framework that disentangles sampling from training, enabling a broader design space for more effective and efficient model optimization. DeFoG employs a discrete flow-matching formulation that respects the inherent symmetries of graphs. We theoretically ground this disentangled formulation by explicitly relating the training loss to the sampling algorithm and showing that DeFoG faithfully replicates the ground truth graph distribution. Building on these foundations, we thoroughly investigate DeFoG's design space and propose novel sampling methods that significantly enhance performance and reduce the required number of refinement steps. Extensive experiments demonstrate state-of-the-art performance across synthetic, molecular, and digital pathology datasets, covering both unconditional and conditional generation settings. It also outperforms most diffusion-based models with just 5-10% of their sampling steps.
- Abstract(参考訳): グラフ生成モデルは、関係データ上の複雑な分布をキャプチャすることによって、様々な科学的領域において必須である。
このうち, グラフ拡散モデルは, 訓練段階とサンプリング段階の密結合により, 優れた性能を示すが, 面非効率なサンプリングと限られた柔軟性を実現する。
DeFoGは、トレーニングからサンプリングを遠ざける新しいグラフ生成フレームワークであり、より効率的で効率的なモデル最適化のためのより広い設計空間を実現する。
DeFoG はグラフの固有の対称性を尊重する離散フローマッチングの定式化を用いる。
理論的には、この歪んだ定式化は、トレーニング損失をサンプリングアルゴリズムに明示的に関連付け、DeFoGが基底真理グラフ分布を忠実に再現していることを示す。
これらの基礎に基づいて,DeFoGの設計空間を徹底的に検討し,性能を著しく向上し,必要な精錬工程数を削減できる新しいサンプリング手法を提案する。
大規模な実験では、合成、分子、デジタルの病理データセットにまたがる最先端のパフォーマンスを実証し、無条件および条件生成設定の両方をカバーしている。
また、ほとんどの拡散ベースのモデルでは、サンプリングステップの5~10%しかパフォーマンスが良くない。
関連論文リスト
- Surrogate models for diffusion on graphs via sparse polynomials [0.40964539027092906]
コミュニティ構造を持つグラフ上のパラメトリック拡散方程式に対するスパースベースサロゲートモデルを提供する。
我々の理論的な発見には、合成グラフと実世界のグラフの両方で行われた一連の数値実験が伴っている。
論文 参考訳(メタデータ) (2025-02-10T15:57:33Z) - Cometh: A continuous-time discrete-state graph diffusion model [8.444907767842228]
グラフデータの特異性に合わせて連続時間離散状態グラフ拡散モデルであるCometを提案する。
VUNサンプルの面では、Cometは平面グラフデータセットで99.5%のほぼ完全なパフォーマンスを取得し、大きなGuacaMolデータセットでDiGressを12.6%上回っている。
論文 参考訳(メタデータ) (2024-06-10T16:39:39Z) - Fisher Flow Matching for Generative Modeling over Discrete Data [12.69975914345141]
離散データのための新しいフローマッチングモデルであるFisher-Flowを紹介する。
Fisher-Flowは、離散データ上のカテゴリー分布を考慮し、明らかに幾何学的な視点を採っている。
Fisher-Flowにより誘導される勾配流は, 前方KLの発散を低減するのに最適であることを示す。
論文 参考訳(メタデータ) (2024-05-23T15:02:11Z) - 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) - Unveil Conditional Diffusion Models with Classifier-free Guidance: A Sharp Statistical Theory [87.00653989457834]
条件付き拡散モデルは現代の画像合成の基礎となり、計算生物学や強化学習などの分野に広く応用されている。
経験的成功にもかかわらず、条件拡散モデルの理論はほとんど欠落している。
本稿では,条件拡散モデルを用いた分布推定の急激な統計的理論を提示することにより,ギャップを埋める。
論文 参考訳(メタデータ) (2024-03-18T17:08:24Z) - Distribution-Aware Data Expansion with Diffusion Models [55.979857976023695]
本研究では,分散型拡散モデルに基づくトレーニングフリーなデータ拡張フレームワークであるDistDiffを提案する。
DistDiffは、オリジナルデータのみにトレーニングされたモデルと比較して、さまざまなデータセットの精度を一貫して向上させる。
論文 参考訳(メタデータ) (2024-03-11T14:07:53Z) - Discrete Diffusion Modeling by Estimating the Ratios of the Data Distribution [67.9215891673174]
離散空間に対するスコアマッチングを自然に拡張する新たな損失として,スコアエントロピーを提案する。
標準言語モデリングタスク上で,Score Entropy Discrete Diffusionモデルをテストする。
論文 参考訳(メタデータ) (2023-10-25T17:59:12Z) - Graph Out-of-Distribution Generalization with Controllable Data
Augmentation [51.17476258673232]
グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。
トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。
仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
論文 参考訳(メタデータ) (2023-08-16T13:10:27Z) - 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) - Directional diffusion models for graph representation learning [9.457273750874357]
我々は方向拡散モデルと呼ばれる新しいモデルのクラスを提案する。
これらのモデルは前方拡散過程にデータ依存、異方性、指向性ノイズを含む。
我々は,2つのグラフ表現学習タスクに焦点をあてて,12の公開データセットに関する広範な実験を行った。
論文 参考訳(メタデータ) (2023-06-22T21:27:48Z) - Fast Graph Generative Model via Spectral Diffusion [38.31052833073743]
空間全体におけるフルランク拡散SDEの実行は、学習グラフトポロジ生成からの拡散モデルを妨げると論じる。
グラフスペクトル空間上の低ランク拡散SDEによって駆動される効率的なグラフスペクトル拡散モデル(GSDM)を提案する。
論文 参考訳(メタデータ) (2022-11-16T12:56:32Z) - 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) - Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。
グラフが現在の勾配を混合する能力を定量化する計量法を提案する。
そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
論文 参考訳(メタデータ) (2022-04-13T15:54:35Z) - 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。