論文の概要: Make Autoregressive Great Again: Diffusion-Free Graph Generation with Next-Scale Prediction

• arxiv url: http://arxiv.org/abs/2503.23612v1
• Date: Sun, 30 Mar 2025 22:30:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 19:35:57.207769
• Title: Make Autoregressive Great Again: Diffusion-Free Graph Generation with Next-Scale Prediction
• Title（参考訳）: 自己回帰を再び素晴らしいものにする - 次世代予測による拡散フリーグラフ生成
• Authors: Samuel Belkadi, Steve Hong, Marian Chen,
• Abstract要約: 次世代の予測に基づく新しい拡散自由グラフ生成フレームワークMAGを提案する。 潜在表現の階層化を活用することで、モデルは明示的なノード順序付けを必要とせずに、グラフ全体のスケールを段階的に生成する。 汎用グラフデータセットと分子グラフデータセットの両方の実験により、MAGは最先端の手法と比較して競争力を発揮することを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autoregressive models are popular generative models due to their speed and properties. However, they require an explicit sequence order, which contradicts the unordered nature of graphs. In contrast, diffusion models maintain permutation invariance and enable one-shot generation but require up to thousands of denoising steps and additional features, leading to high computational costs. Inspired by recent breakthroughs in image generation-especially the success of visual autoregressive methods-we propose MAG, a novel diffusion-free graph generation framework based on next-scale prediction. By leveraging a hierarchy of latent representations, the model progressively generates scales of the entire graph without the need for explicit node ordering. Extensive experiments on both generic and molecular graph datasets demonstrate that MAG delivers competitive performance compared to state-of-the-art methods, achieving up to three orders of magnitude in speedup during inference.
• Abstract（参考訳）: 自己回帰モデルは、その速度と特性のために一般的な生成モデルである。 しかし、それらはグラフの非順序性に矛盾する明示的な順序順序を必要とする。 対照的に拡散モデルは置換不変性を維持し、ワンショット生成を可能にするが、最大数千のデノナイズステップと追加機能を必要とし、高い計算コストをもたらす。 画像生成の最近の進歩,特に視覚自己回帰手法の成功に触発されて,次世代の予測に基づく新しい拡散自由グラフ生成フレームワークMAGを提案する。 潜在表現の階層化を活用することで、モデルは明示的なノード順序付けを必要とせずに、グラフ全体のスケールを段階的に生成する。 汎用グラフデータセットと分子グラフデータセットの両方に対する大規模な実験により、MAGは最先端の手法と比較して競争性能が向上し、推論中に最大3桁のスピードアップを達成することが示された。

関連論文リスト

• Learning-Order Autoregressive Models with Application to Molecular Graph Generation [52.44913282062524]
  本稿では,データから逐次推定される確率的順序付けを用いて高次元データを生成するARMの変種を紹介する。 提案手法は,画像およびグラフ生成において有意義な自己回帰順序を学習できることを実験的に実証した。
  論文  参考訳（メタデータ） (2025-03-07T23:24:24Z)
• Towards Fast Graph Generation via Autoregressive Noisy Filtration Modeling [12.737028324709609]
  グラフ生成モデルはしばしば、複雑な分布の学習と高速な生成速度の達成の間に重要なトレードオフに直面します。 本稿では,両課題に対処する新しい手法である自動回帰ノイズフィルタモデリング(ANFM)を紹介する。 ANFMは極めて短いシーケンスを生成し、拡散モデルと比較して100倍の高速化を実現している。
  論文  参考訳（メタデータ） (2025-02-04T15:35:25Z)
• 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)
• Advancing Graph Generation through Beta Diffusion [49.49740940068255]
  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。
  論文  参考訳（メタデータ） (2024-06-13T17:42:57Z)
• Autoregressive Diffusion Model for Graph Generation [12.390149720274904]
  本稿では,グラフ生成のための自己回帰拡散モデルを提案する。 既存の方法とは異なり、離散グラフ空間内で直接動作するノード吸収拡散プロセスを定義する。 6つの多種多様なグラフデータセットと2つの分子データセットに関する実験は、我々のモデルが過去の最先端技術よりも優れた、あるいは同等な生成性能を達成していることを示している。
  論文  参考訳（メタデータ） (2023-07-17T21:21:18Z)
• 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)
• 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)
• DiGress: Discrete Denoising diffusion for graph generation [79.13904438217592]
  DiGressは、分類ノードとエッジ属性を持つグラフを生成するための離散化拡散モデルである。 分子と非分子のデータセットで最先端のパフォーマンスを実現し、最大3倍の妥当性が向上する。 また、1.3Mの薬物様分子を含む大規模なGuacaMolデータセットにスケールする最初のモデルでもある。
  論文  参考訳（メタデータ） (2022-09-29T12:55:03Z)

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。