論文の概要: Prior-Informed Flow Matching for Graph Reconstruction

• arxiv url: http://arxiv.org/abs/2601.22107v1
• Date: Thu, 29 Jan 2026 18:38:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:50.080835
• Title: Prior-Informed Flow Matching for Graph Reconstruction
• Title（参考訳）: グラフ再構成のための事前インフォームドフローマッチング
• Authors: Harvey Chen, Nicolas Zilberstein, Santiago Segarra,
• Abstract要約: グラフ再構成のための条件付きフローモデルであるPIFM(Presideed-Informed Flow Matching)を導入する。 PIFMは、埋め込みベースの事前処理と継続的フローマッチングを統合することでギャップを埋める。 異なるデータセットの実験により、PIFMは古典的な埋め込みを一貫して強化し、それらを性能良くし、再現精度において最先端の生成ベースラインを向上することを示した。
• 参考スコア（独自算出の注目度）: 38.96153306484745
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce Prior-Informed Flow Matching (PIFM), a conditional flow model for graph reconstruction. Reconstructing graphs from partial observations remains a key challenge; classical embedding methods often lack global consistency, while modern generative models struggle to incorporate structural priors. PIFM bridges this gap by integrating embedding-based priors with continuous-time flow matching. Grounded in a permutation equivariant version of the distortion-perception theory, our method first uses a prior, such as graphons or GraphSAGE/node2vec, to form an informed initial estimate of the adjacency matrix based on local information. It then applies rectified flow matching to refine this estimate, transporting it toward the true distribution of clean graphs and learning a global coupling. Experiments on different datasets demonstrate that PIFM consistently enhances classical embeddings, outperforming them and state-of-the-art generative baselines in reconstruction accuracy.
• Abstract（参考訳）: グラフ再構成のための条件付きフローモデルであるPIFM(Presideed-Informed Flow Matching)を導入する。 古典的な埋め込み法は、しばしばグローバルな一貫性を欠いているが、現代の生成モデルは、構造的事前を組み込むのに苦労している。 PIFMはこのギャップを埋めるために、埋め込みベースの事前処理と継続的フローマッチングを統合する。 歪み知覚理論の置換同変バージョンを基礎として,まずグラノンやグラフSAGE/node2vecといった先行手法を用いて局所情報に基づく隣接行列の初期推定を行う。 次に、補正されたフローマッチングを適用して、この見積もりを洗練させ、クリーングラフの真の分布に向けて移動し、大域的な結合を学習する。 異なるデータセットの実験により、PIFMは古典的な埋め込みを一貫して強化し、それらを性能良くし、再現精度において最先端の生成ベースラインを向上することを示した。

関連論文リスト

• On the Closed-Form of Flow Matching: Generalization Does Not Arise from Target Stochasticity [9.174891098192951]
  拡散・流れマッチング技術がなぜ効果的に一般化されるのかを考察する。 高次元設定では、フローマッチング損失の一般化と閉形式バージョンがほぼ等価な損失をもたらすことを示す。
  論文  参考訳（メタデータ） (2025-06-04T08:50:32Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Theoretical Foundation of Flow-Based Time Series Generation: Provable Approximation, Generalization, and Efficiency [7.578147116161996]
  本稿では,フローベース生成モデルの観点から,最初の理論的枠組みを提案する。 一般的なデータモデルを仮定することにより、拡散変換器(DiT)の普遍近似の下でフローベース生成モデルの適合性は任意の誤差に収束することが確認される。
  論文  参考訳（メタデータ） (2025-03-18T09:53:48Z)
• Sub-graph Based Diffusion Model for Link Prediction [43.15741675617231]
  拡散確率モデル(Denoising Diffusion Probabilistic Models, DDPM)は、例外的な品質を持つ同時代の生成モデルである。 本研究では,ベイズ式による確率推定過程を分解するために,専用設計を用いたリンク予測のための新しい生成モデルを構築した。 提案手法は,(1)再トレーニングを伴わないデータセット間の転送可能性,(2)限られたトレーニングデータに対する有望な一般化,(3)グラフ敵攻撃に対する堅牢性など,多くの利点を示す。
  論文  参考訳（メタデータ） (2024-09-13T02:23:55Z)
• Revealing Decurve Flows for Generalized Graph Propagation [108.80758541147418]
  本研究は,有向グラフと重み付きグラフを用いて,m文を一般化した伝播を定義することによって,従来のメッセージパッシング(中心からグラフ学習)の限界に対処する。 この分野ではじめて、データセットにおける学習された伝播パターンの予備的な探索を含む。
  論文  参考訳（メタデータ） (2024-02-13T14:13:17Z)
• Supercharging Graph Transformers with Advective Diffusion [28.40109111316014]
  本稿では,この課題に対処するために,物理に着想を得たグラフトランスモデルであるAdvDIFFormerを提案する。 本稿では,AdvDIFFormerが位相シフトによる一般化誤差を制御できることを示す。 経験的に、このモデルは情報ネットワーク、分子スクリーニング、タンパク質相互作用の様々な予測タスクにおいて優位性を示す。
  論文  参考訳（メタデータ） (2023-10-10T08:40:47Z)
• Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
  ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。 近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
  論文  参考訳（メタデータ） (2022-02-28T15:53:10Z)
• Graphical Normalizing Flows [11.23030807455021]
  正規化フローは、ベース分布と一連のニューラルネットワークを組み合わせることで複雑な確率分布をモデル化する。 最先端アーキテクチャは、スカラーからベクトルへの可逆関数を持ち上げるために結合と自己回帰変換に依存している。 本稿では,所定あるいは学習可能なグラフィカル構造を持つ新しい非可逆変換であるグラフィカル正規化フローを提案する。
  論文  参考訳（メタデータ） (2020-06-03T21:50:29Z)

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。