論文の概要: Controllable Graph Generation with Diffusion Models via Inference-Time Tree Search Guidance

• arxiv url: http://arxiv.org/abs/2510.10402v1
• Date: Sun, 12 Oct 2025 01:40:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.922135
• Title: Controllable Graph Generation with Diffusion Models via Inference-Time Tree Search Guidance
• Title（参考訳）: 推定時間木探索誘導による拡散モデルによる制御可能なグラフ生成
• Authors: Jiachi Zhao, Zehong Wang, Yamei Liao, Chuxu Zhang, Yanfang Ye,
• Abstract要約: グラフ生成は、Webスケールシステム、知識グラフ、薬物や物質発見などの科学領域にまたがる幅広い応用によるグラフ学習の基本的な問題である。 最近のアプローチでは、ステップバイステップの生成に拡散モデルを活用するが、非条件拡散は望ましい性質をほとんど制御せず、しばしば不安定な品質と新しい目的を取り入れることの難しさをもたらす。 推論時間誘導法は、再トレーニングせずにサンプリングプロセスを調整することでこれらの問題を緩和するが、それらは本質的に局所的であり、制御性に制限される。 本稿では,モンテカルロ木探索 (MCTS) で誘導される,制御可能なグラフ生成のための二空間拡散フレームワークであるTreeDiffを提案する。
• 参考スコア（独自算出の注目度）: 36.29334590991777
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph generation is a fundamental problem in graph learning with broad applications across Web-scale systems, knowledge graphs, and scientific domains such as drug and material discovery. Recent approaches leverage diffusion models for step-by-step generation, yet unconditional diffusion offers little control over desired properties, often leading to unstable quality and difficulty in incorporating new objectives. Inference-time guidance methods mitigate these issues by adjusting the sampling process without retraining, but they remain inherently local, heuristic, and limited in controllability. To overcome these limitations, we propose TreeDiff, a Monte Carlo Tree Search (MCTS) guided dual-space diffusion framework for controllable graph generation. TreeDiff is a plug-and-play inference-time method that expands the search space while keeping computation tractable. Specifically, TreeDiff introduces three key designs to make it practical and scalable: (1) a macro-step expansion strategy that groups multiple denoising updates into a single transition, reducing tree depth and enabling long-horizon exploration; (2) a dual-space denoising mechanism that couples efficient latent-space denoising with lightweight discrete correction in graph space, ensuring both scalability and structural fidelity; and (3) a dual-space verifier that predicts long-term rewards from partially denoised graphs, enabling early value estimation and removing the need for full rollouts. Extensive experiments on 2D and 3D molecular generation benchmarks, under both unconditional and conditional settings, demonstrate that TreeDiff achieves state-of-the-art performance. Notably, TreeDiff exhibits favorable inference-time scaling: it continues to improve with additional computation, while existing inference-time methods plateau early under limited resources.
• Abstract（参考訳）: グラフ生成は、Webスケールシステム、知識グラフ、薬物や物質発見などの科学領域にまたがる幅広い応用によるグラフ学習の基本的な問題である。 最近のアプローチでは、ステップバイステップの生成に拡散モデルを活用するが、非条件拡散は望ましい性質をほとんど制御せず、しばしば不安定な品質と新しい目的を取り入れることの難しさをもたらす。 推論時間誘導法は、再訓練せずにサンプリングプロセスを調整することでこれらの問題を緩和するが、それらは本質的に局所的でヒューリスティックであり、制御性に制限されている。 この制限を克服するため,モンテカルロ木探索 (MCTS) によるグラフ生成のための二空間拡散フレームワークであるTreeDiffを提案する。 TreeDiffは、計算をトラクタブルに保ちながら検索空間を拡大する、プラグアンドプレイの推論時間法である。 具体的には,1)複数の更新を単一トランジションにグループ化し,ツリー深度を低減し,長期探査を可能にするマクロステップ拡張戦略,2)グラフ空間の軽量な離散補正と組み合わせ,スケーラビリティと構造的忠実性の両面を保証し,かつ(3)部分的に復号化したグラフからの長期的な報酬を予測し,早期の値推定とロールアウトの必要性の排除を可能にするデュアルスペース検証機構,の3つを紹介した。 2次元および3次元分子生成ベンチマークの大規模な実験は、条件付きおよび条件付きの両方で、TreeDiffが最先端のパフォーマンスを達成することを実証している。 特に、TreeDiffは推論時のスケーリングが好適で、追加の計算で改善が続けられている一方、既存の推論時のメソッドはリソースが限られている。

関連論文リスト

• Hierarchical Quantized Diffusion Based Tree Generation Method for Hierarchical Representation and Lineage Analysis [49.00783841494125]
  HDTreeは階層的潜在空間内の木関係を、統一的な階層的コードブックと量子化拡散プロセスを用いてキャプチャする。 HDTreeの有効性は、汎用データセットと単一セルデータセットの比較によって示される。 これらの貢献は階層的な系統解析のための新しいツールを提供し、より正確で効率的な細胞分化経路のモデリングを可能にする。
  論文  参考訳（メタデータ） (2025-06-29T15:19:13Z)
• Efficient Dynamic Attributed Graph Generation [34.15455546339396]
  高速な動的属性グラフ生成のための新しい変動リカレントフレームワークであるVRDAGを紹介する。 具体的には、向き付けられた構造知識とスナップショットの属性情報の両方を符号化する双方向メッセージパッシング機構を設計する。 提案した生成パラダイムは、既存のランダムウォーク法における時間を要する経路サンプリングおよびマージプロセスを回避する。
  論文  参考訳（メタデータ） (2024-12-11T22:53:27Z)
• Sparse Training of Discrete Diffusion Models for Graph Generation [45.103518022696996]
  SparseDiffは、ほとんど全ての大きなグラフがスパースであるという観察に基づく、新しい拡散モデルである。 エッジのサブセットを選択することで、SparseDiffは、ノイズ発生過程とノイズ発生ネットワーク内のスパースグラフ表現を効果的に活用する。 本モデルでは,小規模・大規模両方のデータセットにおいて,複数のメトリクスにわたる最先端性能を示す。
  論文  参考訳（メタデータ） (2023-11-03T16:50:26Z)
• Accelerating Scalable Graph Neural Network Inference with Node-Adaptive Propagation [80.227864832092]
  グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。 大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。 本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
  論文  参考訳（メタデータ） (2023-10-17T05:03:00Z)
• From random-walks to graph-sprints: a low-latency node embedding framework on continuous-time dynamic graphs [4.372841335228306]
  本稿では,レイテンシが低く,最先端の高レイテンシモデルと競合する連続時間動的グラフ(CTDG)のフレームワークを提案する。 本フレームワークでは,マルチホップ情報を要約したタイムアウェアノード埋め込みを,入ってくるエッジ上のシングルホップ操作のみを用いて計算する。 グラフプリント機能と機械学習を組み合わせることで,競争性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-07-17T12:25:52Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)

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。