論文の概要: SeaDAG: Semi-autoregressive Diffusion for Conditional Directed Acyclic Graph Generation

• arxiv url: http://arxiv.org/abs/2410.16119v1
• Date: Mon, 21 Oct 2024 15:47:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:20:07.480876
• Title: SeaDAG: Semi-autoregressive Diffusion for Conditional Directed Acyclic Graph Generation
• Title（参考訳）: SeaDAG: 条件付き非巡回グラフ生成のための半自己回帰拡散
• Authors: Xinyi Zhou, Xing Li, Yingzhao Lian, Yiwen Wang, Lei Chen, Mingxuan Yuan, Jianye Hao, Guangyong Chen, Pheng Ann Heng,
• Abstract要約: 方向性非巡回グラフ(DAG)の条件生成のための半自己回帰拡散モデルSeaDAGを紹介する。 グローバルグラフ構造を欠いた従来の自己回帰生成とは異なり,本手法は拡散ステップ毎に完全なグラフ構造を保持する。 本研究では,現実的なDAGを生成する拡散モデルの能力を高めるために,条件損失を伴うグラフ条件学習を明示的に訓練する。
• 参考スコア（独自算出の注目度）: 83.52157311471693
• License:
• Abstract: We introduce SeaDAG, a semi-autoregressive diffusion model for conditional generation of Directed Acyclic Graphs (DAGs). Considering their inherent layer-wise structure, we simulate layer-wise autoregressive generation by designing different denoising speed for different layers. Unlike conventional autoregressive generation that lacks a global graph structure view, our method maintains a complete graph structure at each diffusion step, enabling operations such as property control that require the full graph structure. Leveraging this capability, we evaluate the DAG properties during training by employing a graph property decoder. We explicitly train the model to learn graph conditioning with a condition loss, which enhances the diffusion model's capacity to generate graphs that are both realistic and aligned with specified properties. We evaluate our method on two representative conditional DAG generation tasks: (1) circuit generation from truth tables, where precise DAG structures are crucial for realizing circuit functionality, and (2) molecule generation based on quantum properties. Our approach demonstrates promising results, generating high-quality and realistic DAGs that closely align with given conditions.
• Abstract（参考訳）: 本研究では,方向性非巡回グラフ(DAG)の条件付き生成のための半自己回帰拡散モデルであるSeaDAGを紹介する。 層構造を考慮し,異なる層に対して異なる復調速度を設計することにより,各層の自己回帰生成をシミュレートする。 グローバルグラフ構造ビューを欠いた従来の自己回帰生成とは異なり,本手法は拡散ステップ毎に完全なグラフ構造を維持し,全グラフ構造を必要とするプロパティ制御などの操作を可能にする。 この能力を活用して、グラフプロパティデコーダを用いてトレーニング中のDAG特性を評価する。 我々は,グラフ条件を条件損失で学習するようにモデルを明示的に訓練し,拡散モデルの能力を高めて,現実的かつ特定の特性に整合したグラフを生成する。 我々は,(1)真理表からの回路生成,(2)回路機能の実現に正確なDAG構造が不可欠である,(2)量子特性に基づく分子生成という2つの代表的な条件付きDAG生成タスクについて,本手法の評価を行った。 提案手法は有望な結果を示し,与えられた条件と密に一致した高品質で現実的なDAGを生成する。

関連論文リスト

• LayerDAG: A Layerwise Autoregressive Diffusion Model for Directed Acyclic Graph Generation [17.94316378710172]
  本稿では,自己回帰拡散モデルであるLayerDAGを導入し,リアル指向非巡回グラフ(DAG)を生成する。 ノードの部分順序を二部グラフのシーケンスとして解釈することにより、LayerDAGは、強いノード依存を順次処理可能な管理可能なユニットに分離する。 様々なコンピューティングプラットフォームからの合成および実世界のフローグラフに関する実験により、LayerDAGはより優れた統計特性とベンチマーク性能を持つ有効なDAGを生成することが示された。
  論文  参考訳（メタデータ） (2024-11-04T17:47:15Z)
• Dynamic and Textual Graph Generation Via Large-Scale LLM-based Agent Simulation [70.60461609393779]
  GraphAgent-Generator (GAG) は動的グラフ生成のための新しいシミュレーションベースのフレームワークである。 本フレームワークは,確立されたネットワーク科学理論において,7つのマクロレベルの構造特性を効果的に再現する。 最大10万近いノードと1000万のエッジを持つグラフの生成をサポートし、最低速度は90.4%である。
  論文  参考訳（メタデータ） (2024-10-13T12:57:08Z)
• 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)
• IFH: a Diffusion Framework for Flexible Design of Graph Generative Models [53.219279193440734]
  グラフ生成モデルは,1行にグラフを生成するワンショットモデルと,ノードとエッジの連続的な付加によるグラフを生成するシーケンシャルモデルという,2つの顕著なファミリーに分類される。 本稿では,逐次度を規定するグラフ生成モデルであるInsert-Fill-Halt(IFH)を提案する。
  論文  参考訳（メタデータ） (2024-08-23T16:24:40Z)
• Generative Modelling of Structurally Constrained Graphs [44.28728853270471]
  ConStructは,平面性や非巡回性といった特定の特性をハードコントラストグラフ拡散モデルに組み込むことのできる,新しいフレームワークである。 我々のアプローチは、サンプルグラフがグラフの領域内にあることを保証し、前と逆の両方の過程において、軌道全体を通して指定された性質を検証する。
  論文  参考訳（メタデータ） (2024-06-25T07:54:32Z)
• Hyperbolic Graph Diffusion Model [24.049660417511074]
  双曲グラフ拡散モデル(HGDM)と呼ばれる新しいグラフ生成法を提案する。 HGDMは、ノードを連続した双曲埋め込みにエンコードするオートエンコーダと、双曲潜在空間で動作するDMで構成される。 実験により、HGDMはグラフおよび分子生成ベンチマークにおいて、高度に階層的な構造を持つグラフ生成の品質を48%向上させることで、より良い性能を実現することが示された。
  論文  参考訳（メタデータ） (2023-06-13T08:22:18Z)
• 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)
• SCGG: A Deep Structure-Conditioned Graph Generative Model [9.046174529859524]
  SCGGと呼ばれる条件付きディープグラフ生成法は、特定のタイプの構造条件を考える。 SCGGのアーキテクチャは、グラフ表現学習ネットワークと、エンドツーエンドで訓練された自己回帰生成モデルで構成されている。 合成と実世界の両方のデータセットに対する実験結果は,最先端のベースラインと比較して,本手法の優位性を示している。
  論文  参考訳（メタデータ） (2022-09-20T12:33:50Z)
• Heterogeneous Graph Transformer [49.675064816860505]
  Webスケールの不均一グラフモデリングのための不均一グラフ変換器(HGT)アーキテクチャ 動的ヘテロジニアスグラフを扱うために、HGTに相対時間符号化手法を導入する。 Web スケールのグラフデータを扱うため,ヘテロジニアスなミニバッチグラフサンプリングアルゴリズム--HGSampling--を設計し,効率的かつスケーラブルなトレーニングを行う。
  論文  参考訳（メタデータ） (2020-03-03T04:49:21Z)
• 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。