論文の概要: LGDC: Latent Graph Diffusion via Spectrum-Preserving Coarsening

• arxiv url: http://arxiv.org/abs/2512.01190v1
• Date: Mon, 01 Dec 2025 02:10:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.635424
• Title: LGDC: Latent Graph Diffusion via Spectrum-Preserving Coarsening
• Title（参考訳）: LGDC: スペクトル保存粗大化による潜時グラフ拡散
• Authors: Nagham Osman, Keyue Jiang, Davide Buffelli, Xiaowen Dong, Laura Toni,
• Abstract要約: グラフ生成は科学分野における重要な課題である。 既存の手法は、グラフを反復的に拡張する自己回帰モデルと、グラフ全体を一度に生成する拡散のようなワンショットモデルである。 本稿では,両手法の強度を結合したハイブリッドフレームワークであるLGDCを提案する。
• 参考スコア（独自算出の注目度）: 11.920007650086662
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph generation is a critical task across scientific domains. Existing methods fall broadly into two categories: autoregressive models, which iteratively expand graphs, and one-shot models, such as diffusion, which generate the full graph at once. In this work, we provide an analysis of these two paradigms and reveal a key trade-off: autoregressive models stand out in capturing fine-grained local structures, such as degree and clustering properties, whereas one-shot models excel at modeling global patterns, such as spectral distributions. Building on this, we propose LGDC (latent graph diffusion via spectrum-preserving coarsening), a hybrid framework that combines strengths of both approaches. LGDC employs a spectrum-preserving coarsening-decoarsening to bidirectionally map between graphs and a latent space, where diffusion efficiently generates latent graphs before expansion restores detail. This design captures both local and global properties with improved efficiency. Empirically, LGDC matches autoregressive models on locally structured datasets (Tree) and diffusion models on globally structured ones (Planar, Community-20), validating the benefits of hybrid generation.
• Abstract（参考訳）: グラフ生成は科学分野における重要な課題である。 既存の手法は、グラフを反復的に拡張する自己回帰モデルと、グラフ全体を一度に生成する拡散のようなワンショットモデルである。 本研究では,これらの2つのパラダイムを解析し,自己回帰モデルが次数やクラスタリング特性などの微細な局所構造を捉えているのに対して,一方のショットモデルはスペクトル分布などのグローバルなパターンのモデル化に優れており,重要なトレードオフを明らかにする。 これに基づいて,両手法の長所を結合したハイブリッドフレームワークであるLGDC(スペクトル保存粗大化によるグラフ拡散)を提案する。 LGDCは、スペクトル保存粗大化デコーシングを用いてグラフと潜在空間を双方向にマッピングし、拡散は拡張が詳細を復元する前に遅延グラフを効率的に生成する。 この設計は、ローカルとグローバルの両方のプロパティを効率良くキャプチャする。 LGDCは、局所的に構造化されたデータセット(Tree)上の自己回帰モデルと、グローバルに構造化されたデータセット(Planar, Community-20)上の拡散モデルとを比較し、ハイブリッド生成の利点を検証する。

関連論文リスト

• Do Graph Diffusion Models Accurately Capture and Generate Substructure Distributions? [28.19526635775658]
  拡散モデルは、複素グラフデータの分布スコアを正確にモデル化する普遍的な表現性を持っていない。 本研究は,対象とするグラフ分布の鍵となる特徴として,特定の部分構造の周波数に着目して,この制限に対処する。 グラフニューラルネットワーク(GNN)の表現性とグラフ拡散モデル全体の性能との理論的関係を確立する。
  論文  参考訳（メタデータ） (2025-02-04T17:04:16Z)
• SeaDAG: Semi-autoregressive Diffusion for Conditional Directed Acyclic Graph Generation [83.52157311471693]
  方向性非巡回グラフ(DAG)の条件生成のための半自己回帰拡散モデルSeaDAGを紹介する。 グローバルグラフ構造を欠いた従来の自己回帰生成とは異なり,本手法は拡散ステップ毎に完全なグラフ構造を保持する。 本研究では,現実的なDAGを生成する拡散モデルの能力を高めるために,条件損失を伴うグラフ条件学習を明示的に訓練する。
  論文  参考訳（メタデータ） (2024-10-21T15:47:03Z)
• 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)
• GraphRCG: Self-Conditioned Graph Generation [78.69810678803248]
  本稿では,グラフ分布を明示的にモデル化する自己条件付きグラフ生成フレームワークを提案する。 本フレームワークは, 既存のグラフ生成手法に比べて, 学習データに対するグラフ品質と忠実度において優れた性能を示す。
  論文  参考訳（メタデータ） (2024-03-02T02:28:20Z)
• Hyperbolic Graph Diffusion Model [24.049660417511074]
  双曲グラフ拡散モデル(HGDM)と呼ばれる新しいグラフ生成法を提案する。 HGDMは、ノードを連続した双曲埋め込みにエンコードするオートエンコーダと、双曲潜在空間で動作するDMで構成される。 実験により、HGDMはグラフおよび分子生成ベンチマークにおいて、高度に階層的な構造を持つグラフ生成の品質を48%向上させることで、より良い性能を実現することが示された。
  論文  参考訳（メタデータ） (2023-06-13T08:22:18Z)
• Generative Diffusion Models on Graphs: Methods and Applications [50.44334458963234]
  拡散モデルは、新しい生成パラダイムとして、様々な画像生成タスクにおいて顕著な成功を収めた。 グラフ生成は多くの実世界のアプリケーションを持つグラフ上で重要な計算タスクである。
  論文  参考訳（メタデータ） (2023-02-06T06:58:17Z)
• Generating the Graph Gestalt: Kernel-Regularized Graph Representation Learning [47.506013386710954]
  グラフデータの完全な科学的理解は、グローバル構造とローカル構造の両方に対処する必要がある。 本稿では,グラフVAEフレームワークにおける相補的目的として,両者のジョイントモデルを提案する。 実験により,生成したグラフ構造の現実性は,典型的には1-2桁のグラフ構造メトリクスによって著しく向上したことが示された。
  論文  参考訳（メタデータ） (2021-06-29T10:48:28Z)

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。