論文の概要: Graph Guided Diffusion: Unified Guidance for Conditional Graph Generation

• arxiv url: http://arxiv.org/abs/2505.19685v1
• Date: Mon, 26 May 2025 08:45:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:43.289538
• Title: Graph Guided Diffusion: Unified Guidance for Conditional Graph Generation
• Title（参考訳）: Graph Guided Diffusion: 条件付きグラフ生成のための統一ガイダンス
• Authors: Victor M. Tenorio, Nicolas Zilberstein, Santiago Segarra, Antonio G. Marques,
• Abstract要約: 拡散モデルはグラフ生成の強力な生成モデルとして登場したが、条件付きグラフ生成には依然として課題である。 本稿では,グラフ上の条件拡散を制御問題として統一する新しいガイダンスフレームワークであるグラフガイド拡散(GGDiff)を提案する。 GGDiffは、微分可能と非微分可能の両方の報酬関数の下で、事前訓練された拡散モデルのゼロショット誘導を可能にする。
• 参考スコア（独自算出の注目度）: 29.70390001063779
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Diffusion models have emerged as powerful generative models for graph generation, yet their use for conditional graph generation remains a fundamental challenge. In particular, guiding diffusion models on graphs under arbitrary reward signals is difficult: gradient-based methods, while powerful, are often unsuitable due to the discrete and combinatorial nature of graphs, and non-differentiable rewards further complicate gradient-based guidance. We propose Graph Guided Diffusion (GGDiff), a novel guidance framework that interprets conditional diffusion on graphs as a stochastic control problem to address this challenge. GGDiff unifies multiple guidance strategies, including gradient-based guidance (for differentiable rewards), control-based guidance (using control signals from forward reward evaluations), and zero-order approximations (bridging gradient-based and gradient-free optimization). This comprehensive, plug-and-play framework enables zero-shot guidance of pre-trained diffusion models under both differentiable and non-differentiable reward functions, adapting well-established guidance techniques to graph generation--a direction largely unexplored. Our formulation balances computational efficiency, reward alignment, and sample quality, enabling practical conditional generation across diverse reward types. We demonstrate the efficacy of GGDiff in various tasks, including constraints on graph motifs, fairness, and link prediction, achieving superior alignment with target rewards while maintaining diversity and fidelity.
• Abstract（参考訳）: 拡散モデルはグラフ生成の強力な生成モデルとして登場したが、条件付きグラフ生成には依然として基本的な課題である。 特に、任意の報酬信号の下でグラフ上の拡散モデルを導くことは困難である:勾配に基づく手法は強力であるが、グラフの離散的かつ組合せ的な性質のために適さないことが多く、微分不可能な報酬は勾配に基づくガイダンスをさらに複雑にする。 本稿では,グラフ上の条件拡散を確率的制御問題として解釈し,この問題に対処する新しいガイダンスフレームワークであるグラフガイド拡散(GGDiff)を提案する。 GGDiffは、勾配に基づくガイダンス(微分可能な報酬のための)、制御に基づくガイダンス(前方報酬評価からの制御信号を使用する)、ゼロ次近似(勾配に基づく分岐と勾配のない最適化)を含む、複数のガイダンス戦略を統一する。 この包括的・プラグ・アンド・プレイ・フレームワークは、微分可能かつ微分不可能な報酬関数の下で、事前訓練された拡散モデルのゼロショット誘導を可能にし、グラフ生成によく確立されたガイダンス技術を適用する。 我々の定式化は、計算効率、報酬アライメント、サンプル品質のバランスを保ち、様々な報酬タイプにまたがる実用的な条件生成を可能にします。 本稿では,グラフモチーフ,公正性,リンク予測の制約など,GGDiffの有効性を示すとともに,多様性と忠実さを維持しつつ,目標報酬との整合性を向上する。

関連論文リスト

• Do We Really Need Graph Convolution During Training? Light Post-Training Graph-ODE for Efficient Recommendation [34.93725892725111]
  トレーニングレコメンデータシステム(RecSys)におけるグラフ畳み込みネットワーク(GCNs)は、絶え間なく懸念されてきた。 本稿では,学習段階におけるグラフ畳み込みの必要性を批判的に考察する。 光後学習グラフ正規分方程式(LightGODE)という革新的な方法を導入する。
  論文  参考訳（メタデータ） (2024-07-26T17:59:32Z)
• 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)
• Supercharging Graph Transformers with Advective Diffusion [28.40109111316014]
  本稿では,この課題に対処するために,物理に着想を得たグラフトランスモデルAdvDIFFormerを提案する。 本稿では,AdvDIFFormerが位相シフトによる一般化誤差を制御できることを示す。 経験的に、このモデルは情報ネットワーク、分子スクリーニング、タンパク質相互作用の様々な予測タスクにおいて優位性を示す。
  論文  参考訳（メタデータ） (2023-10-10T08:40:47Z)
• Similarity-aware Positive Instance Sampling for Graph Contrastive Pre-training [82.68805025636165]
  トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。 私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。 さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
  論文  参考訳（メタデータ） (2022-06-23T20:12:51Z)
• 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)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Multilayer Graph Clustering with Optimized Node Embedding [70.1053472751897]
  多層グラフクラスタリングは、グラフノードをカテゴリまたはコミュニティに分割することを目指しています。 与えられた多層グラフの層をクラスタリングに親しみやすい埋め込みを提案する。 実験の結果,本手法は著しい改善をもたらすことがわかった。
  論文  参考訳（メタデータ） (2021-03-30T17:36:40Z)
• Multilayer Clustered Graph Learning [66.94201299553336]
  我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。 実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。 クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
  論文  参考訳（メタデータ） (2020-10-29T09:58:02Z)

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。