論文の概要: Scalable Generative Modeling of Weighted Graphs
- arxiv url: http://arxiv.org/abs/2507.23111v1
- Date: Wed, 30 Jul 2025 21:28:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-01 17:19:08.809888
- Title: Scalable Generative Modeling of Weighted Graphs
- Title(参考訳): 軽量グラフのスケーラブルな生成モデル
- Authors: Richard Williams, Eric Nalisnick, Andrew Holbrook,
- Abstract要約: 重み付きグラフ上の結合分布を学習する自己回帰モデル BiGG-E を開発したが、それでも空間性を利用して$n$ノードと$m$エッジを$O((n + m)log n)$時間で生成する。
様々なベンチマークデータセットに関するシミュレーション研究と実験により、BiGG-Eは拡張性と計算効率を保ちながら重み付きグラフ上の分布を最もよく捉えていることが示された。
- 参考スコア(独自算出の注目度): 1.0923877073891446
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Weighted graphs are ubiquitous throughout biology, chemistry, and the social sciences, motivating the development of generative models for abstract weighted graph data using deep neural networks. However, most current deep generative models are either designed for unweighted graphs and are not easily extended to weighted topologies or incorporate edge weights without consideration of a joint distribution with topology. Furthermore, learning a distribution over weighted graphs must account for complex nonlocal dependencies between both the edges of the graph and corresponding weights of each edge. We develop an autoregressive model BiGG-E, a nontrivial extension of the BiGG model, that learns a joint distribution over weighted graphs while still exploiting sparsity to generate a weighted graph with $n$ nodes and $m$ edges in $O((n + m)\log n)$ time. Simulation studies and experiments on a variety of benchmark datasets demonstrate that BiGG-E best captures distributions over weighted graphs while remaining scalable and computationally efficient.
- Abstract(参考訳): 重み付きグラフは生物学、化学、社会科学の至るところに存在し、ディープニューラルネットワークを用いた抽象重み付きグラフデータの生成モデルの開発を動機付けている。
しかし、現在の深部生成モデルは、非重み付きグラフのために設計されており、重み付きトポロジーに容易に拡張できないか、位相との結合分布を考慮せずにエッジ重みを組み込むことができる。
さらに、重み付きグラフ上の分布を学習するには、グラフの端点と各辺の対応する重みの間の複素非局所的依存関係を考慮しなければならない。
We developed a autoregressive model BiGG-E, a nontrivial extension of the BiGG model, which learning a joint distribution over weighted graphs while still exploiting sparsity to generate a weighted graph with $n$ node and $m$ edges in $O((n +)。
m)\log
n) 時間。
様々なベンチマークデータセットに関するシミュレーション研究と実験により、BiGG-Eは拡張性と計算効率を保ちながら重み付きグラフ上の分布を最もよく捉えていることが示された。
関連論文リスト
- Graph Size-imbalanced Learning with Energy-guided Structural Smoothing [13.636616140250908]
実世界のグラフは通常、マルチグラフ分類における大きさ不均衡の問題に悩まされる。
近年の研究では、市販のグラフニューラルネットワーク(GNN)が、長期設定下でのモデル性能を損なうことが報告されている。
我々は,頭部と尾部のグラフの特徴を円滑に表現する,textbfSIMBAという新しいエネルギーベースサイズ不均衡学習フレームワークを提案する。
論文 参考訳(メタデータ) (2024-12-23T14:06:49Z) - GraphMaker: Can Diffusion Models Generate Large Attributed Graphs? [7.330479039715941]
ノード属性を持つ大規模グラフは、様々な現実世界のアプリケーションでますます一般的になっている。
従来のグラフ生成法は、これらの複雑な構造を扱う能力に制限がある。
本稿では,大きな属性グラフを生成するために特別に設計された新しい拡散モデルであるGraphMakerを紹介する。
論文 参考訳(メタデータ) (2023-10-20T22:12:46Z) - 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) - 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) - OOD-GNN: Out-of-Distribution Generalized Graph Neural Network [73.67049248445277]
グラフニューラルネットワーク(GNN)は、グラフデータのテストとトレーニングを同一の分布から行うことで、優れたパフォーマンスを実現している。
既存のGNNでは、テストとグラフデータのトレーニングの間に分散シフトが存在する場合、その性能が著しく低下する。
本稿では,学習グラフと異なる分布を持つ未確認試験グラフに対して,満足な性能を実現するために,アウト・オブ・ディストリビューション一般化グラフニューラルネットワーク(OOD-GNN)を提案する。
論文 参考訳(メタデータ) (2021-12-07T16:29:10Z) - 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) - Graph Classification by Mixture of Diverse Experts [67.33716357951235]
我々は,不均衡なグラフ分類に多様な専門家の混在を利用したフレームワークであるGraphDIVEを提案する。
GraphDIVEは、分割と並列の原則により、不均衡なグラフデータセットを複数のサブセットに分割するゲーティングネットワークを採用しています。
実世界の不均衡グラフデータセットに関する実験は、GraphDIVEの有効性を示している。
論文 参考訳(メタデータ) (2021-03-29T14:03:03Z) - Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。
標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。
総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
論文 参考訳(メタデータ) (2020-07-08T19:48:19Z) - 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。