論文の概要: Beyond MMD: Evaluating Graph Generative Models with Geometric Deep Learning

• arxiv url: http://arxiv.org/abs/2512.14241v1
• Date: Tue, 16 Dec 2025 09:51:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.671373
• Title: Beyond MMD: Evaluating Graph Generative Models with Geometric Deep Learning
• Title（参考訳）: 幾何学的深層学習によるグラフ生成モデルの評価
• Authors: Salvatore Romano, Marco Grassia, Giuseppe Mangioni,
• Abstract要約: グラフ生成モデル(GGM)は、現実的なグラフを生成する問題に対する有望な解決策として登場した。 本稿では,MMD(Maximum Mean Discrepancy)の限界を克服するGGMの評価手法を提案する。 本稿では,グラフリカレントアテンションネットワーク(GRAN)とグラフジェネレーティブモデル(EDGE)の総合評価を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph generation is a crucial task in many fields, including network science and bioinformatics, as it enables the creation of synthetic graphs that mimic the properties of real-world networks for various applications. Graph Generative Models (GGMs) have emerged as a promising solution to this problem, leveraging deep learning techniques to learn the underlying distribution of real-world graphs and generate new samples that closely resemble them. Examples include approaches based on Variational Auto-Encoders, Recurrent Neural Networks, and more recently, diffusion-based models. However, the main limitation often lies in the evaluation process, which typically relies on Maximum Mean Discrepancy (MMD) as a metric to assess the distribution of graph properties in the generated ensemble. This paper introduces a novel methodology for evaluating GGMs that overcomes the limitations of MMD, which we call RGM (Representation-aware Graph-generation Model evaluation). As a practical demonstration of our methodology, we present a comprehensive evaluation of two state-of-the-art Graph Generative Models: Graph Recurrent Attention Networks (GRAN) and Efficient and Degree-guided graph GEnerative model (EDGE). We investigate their performance in generating realistic graphs and compare them using a Geometric Deep Learning model trained on a custom dataset of synthetic and real-world graphs, specifically designed for graph classification tasks. Our findings reveal that while both models can generate graphs with certain topological properties, they exhibit significant limitations in preserving the structural characteristics that distinguish different graph domains. We also highlight the inadequacy of Maximum Mean Discrepancy as an evaluation metric for GGMs and suggest alternative approaches for future research.
• Abstract（参考訳）: グラフ生成は、ネットワーク科学やバイオインフォマティクスを含む多くの分野において重要な課題であり、様々なアプリケーションのための実世界のネットワークの特性を模倣する合成グラフの作成を可能にする。 グラフ生成モデル(GGM)は、ディープラーニング技術を活用して、現実世界のグラフの基盤となる分布を学習し、それらによく似た新しいサンプルを生成することにより、この問題に対する有望な解決策として登場した。 例えば、変分オートエンコーダに基づくアプローチ、リカレントニューラルネットワーク、最近では拡散ベースモデルなどがある。 しかしながら、主な制限は、しばしば評価プロセスに関係しており、通常は生成したアンサンブル内のグラフ特性の分布を評価するための計量として、最大平均離散性(MMD)に依存する。 本稿では,RGM(Representation-aware Graph-generation Model Evaluation)と呼ぶMDDの限界を克服するGGMの評価手法を提案する。 提案手法の実践的実証として,グラフ再帰注意ネットワーク(GRAN)と効率的なグラフ探索モデル(EDGE)の2つの最先端グラフ生成モデルについて総合評価を行った。 本研究では,現実的なグラフ生成におけるそれらの性能について検討し,グラフ分類タスクに特化して設計された合成および実世界のグラフのカスタムデータセットに基づいて学習した幾何学的深層学習モデルを用いて比較する。 以上の結果から,両モデルが特定のトポロジ特性を持つグラフを生成することができる一方で,異なるグラフ領域を区別する構造的特性の保存には,大きな制限が生じることが明らかとなった。 また、GGMの評価基準として、最大平均離散性(Maximum Mean Discrepancy)が不十分であることを強調し、今後の研究への代替的アプローチを提案する。

関連論文リスト

• Graph Generative Models Evaluation with Masked Autoencoder [10.977907906989342]
  本稿では,グラフマスク付きオートエンコーダを用いてグラフ生成モデル評価のためのグラフ特徴を効果的に抽出する手法を提案する。 我々は,グラフに関する広範な実験を行い,提案手法よりも信頼性と有効性を実証した。
  論文  参考訳（メタデータ） (2025-03-17T15:23:21Z)
• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• LLM-Based Multi-Agent Systems are Scalable Graph Generative Models [73.28294528654885]
  GraphAgent-Generator (GAG) は動的でテキスト対応のソーシャルグラフ生成のための新しいシミュレーションベースのフレームワークである。 GAGは、ゼロショットソーシャルグラフ生成のための時間ノードとエッジ生成プロセスをシミュレートする。 得られたグラフは7つの主要なマクロ的ネットワーク特性に付着し、微視的グラフ構造測定において11%の改善が達成される。
  論文  参考訳（メタデータ） (2024-10-13T12:57:08Z)
• 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)
• 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)

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。