論文の概要: Bures-Wasserstein Flow Matching for Graph Generation

• arxiv url: http://arxiv.org/abs/2506.14020v1
• Date: Mon, 16 Jun 2025 21:36:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 17:34:59.25348
• Title: Bures-Wasserstein Flow Matching for Graph Generation
• Title（参考訳）: グラフ生成のためのBures-Wassersteinフローマッチング
• Authors: Keyue Jiang, Jiahao Cui, Xiaowen Dong, Laura Toni,
• Abstract要約: グラフ生成は分子設計から薬物発見まで、分野において重要なタスクとして現れてきた。 グラフの基本的な幾何学を尊重するグラフ生成のためのフローマッチングフレームワークであるBWFlowを紹介する。 新たなフレームワークは、連続的および離散的なフローマッチングアルゴリズムの両方に適用できる。
• 参考スコア（独自算出の注目度）: 11.634569150774979
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Graph generation has emerged as a critical task in fields ranging from molecule design to drug discovery. Contemporary approaches, notably diffusion and flow-based models, have achieved solid graph generative performance through constructing a probability path that interpolates between a reference distribution and the data distribution. However, these methods typically model the evolution of individual nodes and edges independently and use linear interpolations to build the path assuming that the data lie in Euclidean space. We show that this is suboptimal given the intrinsic non-Euclidean structure and interconnected patterns of graphs, and it poses risks to the sampling convergence. To build a better probability path, we model the joint evolution of the nodes and edges by representing graphs as connected systems parameterized by Markov random fields (MRF). We then leverage the optimal transport displacement between MRF objects to design the probability path for graph generation. Based on this, we introduce BWFlow, a flow-matching framework for graph generation that respects the underlying geometry of graphs and provides smooth velocities in the probability path. The novel framework can be adapted to both continuous and discrete flow-matching algorithms. Experimental evaluations in plain graph generation and 2D/3D molecule generation validate the effectiveness of BWFlow in graph generation with competitive performance, stable training, and guaranteed sampling convergence.
• Abstract（参考訳）: グラフ生成は分子設計から薬物発見まで、分野において重要なタスクとして現れてきた。 参照分布とデータ分布を補間する確率経路を構築することにより、拡散モデルやフローベースモデルといった現代的アプローチは、ソリッドグラフ生成性能を達成している。 しかしながら、これらの手法は通常、個々のノードとエッジの独立な進化をモデル化し、データがユークリッド空間にあると仮定して経路を構築するために線形補間を使用する。 固有非ユークリッド構造とグラフの相互接続パターンを考えると、これは準最適であることが示され、サンプリング収束にリスクが生じる。 より優れた確率パスを構築するために、マルコフ確率場(MRF)によってパラメータ化された連結系としてグラフを表現することにより、ノードとエッジの合同進化をモデル化する。 次に, MRFオブジェクト間の最適な移動変位を利用して, グラフ生成の確率経路を設計する。 そこで我々は,グラフの基盤となる幾何学を尊重し,確率経路における滑らかな速度を提供するグラフ生成のためのフローマッチングフレームワークであるBWFlowを紹介した。 新たなフレームワークは、連続的および離散的なフローマッチングアルゴリズムの両方に適用できる。 グラフ生成におけるBWFlowの有効性は, 競合性能, 安定トレーニング, サンプリング収束の保証とともに評価された。

関連論文リスト

• A Deep Generative Model for the Simulation of Discrete Karst Networks [0.0]
  グラフ生成モデルを用いてカルストネットワークをグラフとして表現する。 ノードは空間情報とプロパティを保持し、エッジはノード間の接続を表す。 実世界のカルストネットワークを用いて本手法を検証し,生成したサブグラフとデータベースからの実際のサブグラフを比較した。
  論文  参考訳（メタデータ） (2025-06-11T15:10:41Z)
• Wasserstein Flow Matching: Generative modeling over families of distributions [13.620905707751747]
  We propose Wasserstein flow matching (WFM) which lifts flow matching on the family of distributions using the Wasserstein geometry。 特に、WFMは、解析的に(ガウスとして)、または経験的に(点雲として)、高次元の分布を生成することができる最初のアルゴリズムである。
  論文  参考訳（メタデータ） (2024-11-01T15:55:07Z)
• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• 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)
• Conditional Diffusion Based on Discrete Graph Structures for Molecular Graph Generation [32.66694406638287]
  分子グラフ生成のための離散グラフ構造(CDGS)に基づく条件拡散モデルを提案する。 具体的には、微分方程式(SDE)を用いて、グラフ構造と固有の特徴の両方に対して前方グラフ拡散過程を構築する。 本稿では,中間グラフ状態からグローバルコンテキストと局所ノードエッジ依存性を抽出する,特殊なハイブリッドグラフノイズ予測モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-01T15:24:15Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Latent Graph Inference using Product Manifolds [0.0]
  遅延グラフ学習のための離散微分可能グラフモジュール(dDGM)を一般化する。 我々の新しいアプローチは、幅広いデータセットでテストされ、元のdDGMモデルよりも優れています。
  論文  参考訳（メタデータ） (2022-11-26T22:13:06Z)
• Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
  ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。 近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
  論文  参考訳（メタデータ） (2022-02-28T15:53:10Z)
• 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。