論文の概要: CoPHo: Classifier-guided Conditional Topology Generation with Persistent Homology

• arxiv url: http://arxiv.org/abs/2512.19736v1
• Date: Wed, 17 Dec 2025 13:10:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.611046
• Title: CoPHo: Classifier-guided Conditional Topology Generation with Persistent Homology
• Title（参考訳）: CoPho: パーシスタントホモロジーを用いた分類器誘導条件付き位相生成
• Authors: Gongli Xi, Ye Tian, Mengyu Yang, Zhenyu Zhao, Yuchao Zhang, Xiangyang Gong, Xirong Que, Wendong Wang,
• Abstract要約: トポロジー構造は、性能と堅牢性の研究を支える。 テストやリリースに望ましい特性を持つ合成グラフの生成。 条件ホモロジーを用いた持続的トポロジー生成(CoPho)を提案する。 4つのジェネリック/ネットワークデータセットの実験では、CoPHoがターゲットメトリクスにマッチする既存のメソッドよりも優れていることが示されている。
• 参考スコア（独自算出の注目度）: 14.522233245543687
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The structure of topology underpins much of the research on performance and robustness, yet available topology data are typically scarce, necessitating the generation of synthetic graphs with desired properties for testing or release. Prior diffusion-based approaches either embed conditions into the diffusion model, requiring retraining for each attribute and hindering real-time applicability, or use classifier-based guidance post-training, which does not account for topology scale and practical constraints. In this paper, we show from a discrete perspective that gradients from a pre-trained graph-level classifier can be incorporated into the discrete reverse diffusion posterior to steer generation toward specified structural properties. Based on this insight, we propose Classifier-guided Conditional Topology Generation with Persistent Homology (CoPHo), which builds a persistent homology filtration over intermediate graphs and interprets features as guidance signals that steer generation toward the desired properties at each denoising step. Experiments on four generic/network datasets demonstrate that CoPHo outperforms existing methods at matching target metrics, and we further validate its transferability on the QM9 molecular dataset.
• Abstract（参考訳）: トポロジーの構造は性能と堅牢性の研究の多くを支えるが、利用可能なトポロジーデータは典型的には不足しており、テストやリリースに望ましい特性を持つ合成グラフの生成を必要とする。 従来の拡散ベースのアプローチは、拡散モデルに条件を埋め込んだり、各属性の再訓練を必要としたり、リアルタイム適用を妨げたり、トポロジのスケールや実践的な制約を考慮しない分類器ベースのガイダンスを使用したりした。 本稿では,事前学習したグラフレベル分類器からの勾配を,特定の構造特性に対するステア生成に対する離散逆拡散後方に組み込むことができることを示す。 この知見に基づいて、中間グラフ上の永続的ホモロジーフィルタを構築し、各復調ステップにおいて所望のプロパティに対して生成を行う誘導信号として特徴を解釈する、パーシステントホモロジーを用いた分類誘導条件位相生成(CoPHo)を提案する。 4つのジェネリック/ネットワークデータセットの実験により、CoPHoはターゲットメトリクスのマッチングにおいて既存の手法よりも優れており、QM9分子データセット上での転送性をさらに検証する。

関連論文リスト

• ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
  本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。 本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。 特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
  論文  参考訳（メタデータ） (2025-07-19T04:46:53Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• On the Expressivity of Persistent Homology in Graph Learning [13.608942872770855]
  計算トポロジのテクニックである永続化ホモロジーは、最近、グラフ分類の文脈において、強い経験的性能を示した。 本稿では、グラフの文脈における永続的ホモロジーの簡単な紹介と、グラフ学習タスクにおけるその表現性に関する理論的議論と実証分析について述べる。
  論文  参考訳（メタデータ） (2023-02-20T08:19:19Z)
• Alleviating neighbor bias: augmenting graph self-supervise learning with structural equivalent positive samples [1.0507062889290775]
  グラフ表現学習のための信号駆動型自己教師方式を提案する。 トポロジカル情報誘導構造等価サンプリング戦略を用いる。 その結果,モデルの性能を効果的に改善できることが示唆された。
  論文  参考訳（メタデータ） (2022-12-08T16:04:06Z)
• GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot Learning [55.79997930181418]
  Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。 生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。 本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-05T04:04:37Z)
• The Manifold Hypothesis for Gradient-Based Explanations [55.01671263121624]
  勾配に基づく説明アルゴリズムは知覚的に整合した説明を提供する。 特徴属性がデータの接する空間と一致しているほど、知覚的に一致している傾向にあることを示す。 説明アルゴリズムは、その説明をデータ多様体と整合させるよう積極的に努力すべきである。
  論文  参考訳（メタデータ） (2022-06-15T08:49:24Z)
• Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
  一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。 本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。 実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-07-07T11:43:59Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)

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。