論文の概要: Variational Bayesian Flow Network for Graph Generation

• arxiv url: http://arxiv.org/abs/2601.22524v1
• Date: Fri, 30 Jan 2026 03:59:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.206746
• Title: Variational Bayesian Flow Network for Graph Generation
• Title（参考訳）: グラフ生成のための変分ベイズ流網
• Authors: Yida Xiong, Jiameng Chen, Xiuwen Gong, Jia Wu, Shirui Pan, Wenbin Hu,
• Abstract要約: グラフ生成のための変分ベイズフローネットワーク(VBFN)を提案する。 VBFNは、構造化精度で支配されるトラクタブルジョイントガウス変分信念ファミリーに対して変分リフトを行う。 合成グラフと分子グラフのデータセットでは、VBFNは忠実度と多様性を改善し、ベースライン法を超えている。
• 参考スコア（独自算出の注目度）: 54.94088904387278
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph generation aims to sample discrete node and edge attributes while satisfying coupled structural constraints. Diffusion models for graphs often adopt largely factorized forward-noising, and many flow-matching methods start from factorized reference noise and coordinate-wise interpolation, so node-edge coupling is not encoded by the generative geometry and must be recovered implicitly by the core network, which can be brittle after discrete decoding. Bayesian Flow Networks (BFNs) evolve distribution parameters and naturally support discrete generation. But classical BFNs typically rely on factorized beliefs and independent channels, which limit geometric evidence fusion. We propose Variational Bayesian Flow Network (VBFN), which performs a variational lifting to a tractable joint Gaussian variational belief family governed by structured precisions. Each Bayesian update reduces to solving a symmetric positive definite linear system, enabling coupled node and edge updates within a single fusion step. We construct sample-agnostic sparse precisions from a representation-induced dependency graph, thereby avoiding label leakage while enforcing node-edge consistency. On synthetic and molecular graph datasets, VBFN improves fidelity and diversity, and surpasses baseline methods.
• Abstract（参考訳）: グラフ生成は、結合された構造的制約を満たしながら、離散ノードとエッジ属性をサンプリングすることを目的としている。 グラフの拡散モデルは、大きく因数分解された前方雑音を採用することが多く、多くのフローマッチング法は、分解された参照ノイズと座標ワイド補間から始まるため、ノードエッジ結合は生成幾何学によって符号化されず、離散復号後に脆くなりうるコアネットワークによって暗黙的に復元されなければならない。 ベイジアンフローネットワーク(BFN)は分布パラメータを進化させ、離散生成を自然にサポートする。 しかし、古典的なBFNは通常、幾何学的証拠の融合を制限する因子化された信念と独立したチャネルに依存している。 本稿では,構造的精度で支配されるガウス的変分信念ファミリーに対して,変分リフトを行う変分ベイズ流ネットワーク(VBFN)を提案する。 各ベイズ更新は対称正定値線形系を解き、単一の融合ステップで結合ノードとエッジの更新を可能にする。 本研究では,表現による依存性グラフからサンプル非依存のスパース精度を構築し,ノードエッジの一貫性を保ちながらラベルの漏洩を回避する。 合成グラフと分子グラフのデータセットでは、VBFNは忠実度と多様性を改善し、ベースライン法を超えている。

関連論文リスト

• Flow Matching and Diffusion Models via PointNet for Generating Fluid Fields on Irregular Geometries [0.40611352512781873]
  本稿では,2つの新しい生成幾何学的深層学習フレームワーク,フローをマッチングポイントネット(Matching PointNet)と拡散ポイントネット(Diffusion PointNet)と呼ぶ。 これらのフレームワークは、PointNetをフローマッチングと拡散モデルに組み込むことで、不規則な地形上の流動変数を予測する。 提案手法の性能は,シリンダーを過ぎる定常的な非圧縮性流れに基づいて評価する。
  論文  参考訳（メタデータ） (2026-01-06T14:04:02Z)
• Sheaf Graph Neural Networks via PAC-Bayes Spectral Optimization [13.021238902084647]
  グラフニューラルネットワーク(GNN)のオーバースムース化は、異なるノード機能で崩壊を引き起こす。 SGPC (Sheaf GNNs with PAC-Bayes) は,セルラーシェーフメッセージパッシングと複数のメカニズムを組み合わせた統一アーキテクチャである。 9つのホモ親和性およびヘテロ親和性ベンチマークの実験により、SGPCは最先端スペクトルおよび層ベースGNNよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2025-08-01T06:39:28Z)
• 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)
• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• Joint Bayesian Inference of Graphical Structure and Parameters with a Single Generative Flow Network [59.79008107609297]
  本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。 サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。 パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
  論文  参考訳（メタデータ） (2023-05-30T19:16:44Z)
• 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)

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。