論文の概要: Discrete Bayesian Sample Inference for Graph Generation

• arxiv url: http://arxiv.org/abs/2511.03015v1
• Date: Tue, 04 Nov 2025 21:25:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.254002
• Title: Discrete Bayesian Sample Inference for Graph Generation
• Title（参考訳）: グラフ生成のための離散ベイズサンプル推論
• Authors: Ole Petersen, Marcel Kollovieh, Marten Lienen, Stephan Günnemann,
• Abstract要約: ベイジアンサンプル推論(BSI)に基づく新しいワンショットグラフ生成モデルであるGraphBSIを紹介する。 我々は、BSIを微分方程式(SDE)として記述し、スコア関数の近似により限界分布を保存するSDEのノイズ制御系を導出する。 実験的な評価では、分子および合成グラフ生成における最先端の性能を示し、既存のワンショットグラフ生成モデルより優れていた。
• 参考スコア（独自算出の注目度）: 48.418206985863726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating graph-structured data is crucial in applications such as molecular generation, knowledge graphs, and network analysis. However, their discrete, unordered nature makes them difficult for traditional generative models, leading to the rise of discrete diffusion and flow matching models. In this work, we introduce GraphBSI, a novel one-shot graph generative model based on Bayesian Sample Inference (BSI). Instead of evolving samples directly, GraphBSI iteratively refines a belief over graphs in the continuous space of distribution parameters, naturally handling discrete structures. Further, we state BSI as a stochastic differential equation (SDE) and derive a noise-controlled family of SDEs that preserves the marginal distributions via an approximation of the score function. Our theoretical analysis further reveals the connection to Bayesian Flow Networks and Diffusion models. Finally, in our empirical evaluation, we demonstrate state-of-the-art performance on molecular and synthetic graph generation, outperforming existing one-shot graph generative models on the standard benchmarks Moses and GuacaMol.
• Abstract（参考訳）: グラフ構造データの生成は、分子生成、知識グラフ、ネットワーク解析などの応用において重要である。 しかし、それらの離散的、順序のない性質は、従来の生成モデルにとって困難となり、離散拡散モデルとフローマッチングモデルの台頭につながった。 本稿では,ベイジアンサンプル推論(BSI)に基づく新しいワンショットグラフ生成モデルであるGraphBSIを紹介する。 サンプルを直接進化させる代わりに、GraphBSIは分散パラメータの連続空間におけるグラフに対する信念を反復的に洗練し、離散構造を自然に扱う。 さらに、BSIを確率微分方程式(SDE)として記述し、スコア関数の近似により限界分布を保存するSDEの雑音制御系を導出する。 理論的解析により,ベイジアンフローネットワークと拡散モデルとの関係がさらに明らかになった。 最後に, 分子および合成グラフ生成における最先端性能を実証し, 標準ベンチマークであるMoses と GuacaMol で既存のワンショットグラフ生成モデルより優れていることを示す。

関連論文リスト

• 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)
• Discrete-state Continuous-time Diffusion for Graph Generation [46.626952802292074]
  拡散生成モデルはグラフ生成タスクに適用されている。 離散状態連続時間設定でグラフ拡散生成を定式化する。 提案モデルでは,最先端のグラフ生成ソリューションと競合する経験的性能を示す。
  論文  参考訳（メタデータ） (2024-05-19T00:09:42Z)
• 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)
• 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)

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。