論文の概要: Adaptive Edge Learning for Density-Aware Graph Generation

• arxiv url: http://arxiv.org/abs/2601.23052v1
• Date: Fri, 30 Jan 2026 15:01:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.515754
• Title: Adaptive Edge Learning for Density-Aware Graph Generation
• Title（参考訳）: 密度認識型グラフ生成のための適応エッジ学習
• Authors: Seyedeh Ava Razi Razavi, James Sargant, Sheridan Houghten, Renata Dividino,
• Abstract要約: We propose a density-aware conditional graph generation framework using Wasserstein GANs (WGAN)。 微分可能なエッジ予測器は、ノード埋め込みから直接ペアワイズ関係を決定する。 密度認識選択機構は、クラス固有の空間分布に適合するエッジ密度を適応的に制御する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating realistic graph-structured data is challenging due to discrete structures, variable sizes, and class-specific connectivity patterns that resist conventional generative modelling. While recent graph generation methods employ generative adversarial network (GAN) frameworks to handle permutation invariance and irregular topologies, they typically rely on random edge sampling with fixed probabilities, limiting their capacity to capture complex structural dependencies between nodes. We propose a density-aware conditional graph generation framework using Wasserstein GANs (WGAN) that replaces random sampling with a learnable distance-based edge predictor. Our approach embeds nodes into a latent space where proximity correlates with edge likelihood, enabling the generator to learn meaningful connectivity patterns. A differentiable edge predictor determines pairwise relationships directly from node embeddings, while a density-aware selection mechanism adaptively controls edge density to match class-specific sparsity distributions observed in real graphs. We train the model using a WGAN with gradient penalty, employing a GCN-based critic to ensure generated graphs exhibit realistic topology and align with target class distributions. Experiments on benchmark datasets demonstrate that our method produces graphs with superior structural coherence and class-consistent connectivity compared to existing baselines. The learned edge predictor captures complex relational patterns beyond simple heuristics, generating graphs whose density and topology closely match real structural distributions. Our results show improved training stability and controllable synthesis, making the framework effective for realistic graph generation and data augmentation. Source code is publicly available at https://github.com/ava-12/Density_Aware_WGAN.git.
• Abstract（参考訳）: 離散構造、可変サイズ、および従来の生成モデルに抵抗するクラス固有の接続パターンのため、現実的なグラフ構造化データの生成は困難である。 最近のグラフ生成手法では、置換不変性や不規則なトポロジーを扱うためにGAN(Generative Adversarial Network)フレームワークを使用しているが、それらは一般に固定確率を持つランダムエッジサンプリングに依存し、ノード間の複雑な構造的依存関係を捕捉する能力を制限する。 本稿では,ランダムサンプリングを学習可能な距離ベースエッジ予測器に置き換える,Wasserstein GANs (WGAN) を用いた密度認識型条件付きグラフ生成フレームワークを提案する。 提案手法では,近接するノードがエッジの可能性と相関する潜在空間にノードを埋め込むことで,ジェネレータは有意義な接続パターンを学習することができる。 微分可能なエッジ予測器はノード埋め込みから直接対関係を決定する一方、密度認識選択機構はエッジ密度を適応的に制御し、実グラフで観測されるクラス固有の空間分布と一致させる。 我々は、GCNベースの批評家を用いて、勾配のペナルティを持つWGANを用いてモデルを訓練し、生成したグラフが現実的なトポロジを示し、ターゲットクラス分布と整合することを保証する。 ベンチマークデータセットを用いた実験により,提案手法は既存のベースラインよりも優れた構造コヒーレンスとクラス一貫性を持つグラフを生成することが示された。 学習されたエッジ予測器は、単純なヒューリスティック以上の複雑な関係パターンをキャプチャし、密度とトポロジーが実際の構造分布と密接に一致するグラフを生成する。 その結果,学習の安定性と制御可能な合成が向上し,現実的なグラフ生成とデータ拡張に有効なフレームワークが得られた。 ソースコードはhttps://github.com/ava-12/Density_Aware_WGAN.gitで公開されている。

関連論文リスト

• Graph Signal Generative Diffusion Models [74.75869068073577]
  拡散過程を用いたグラフ信号生成のためのU字型エンコーダ-デコーダグラフニューラルネットワーク(U-GNN)を提案する。 アーキテクチャは、エンコーダとデコーダパス間の接続をスキップすることで、異なる解像度でノード機能を学ぶ。 株価の確率予測における拡散モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2025-09-21T21:57:27Z)
• Bures-Wasserstein Flow Matching for Graph Generation [10.21877898746333]
  グラフ生成モデルにおける確率経路構築の理論的基盤となる枠組みを提案する。 次に, MRF物体間の最適輸送変位を利用してスムーズな確率経路を設計する。 BWFlowは、導出された最適確率パスを利用するグラフ生成のためのフローマッチングフレームワークである。
  論文  参考訳（メタデータ） (2025-06-16T21:36:56Z)
• Edge Probability Graph Models Beyond Edge Independency: Concepts, Analyses, and Algorithms [40.154779118370875]
  好ましくないランダムグラフモデル(RGM)は、実世界のグラフで共通のパターンを再現すべきである。 一般的なRGM(例えばエルドス・レニイやクロネッカー)はエッジ確率を出力する。 エッジ独立性では、RGMは高いサブグラフ密度と高い出力変動を同時に生成できない。 高いトラクタビリティと可変性を維持しつつ、共通パターンをよりよく再現できるエッジ独立性を超えたRGMについて検討する。
  論文  参考訳（メタデータ） (2024-05-26T23:48:30Z)
• Sparse Training of Discrete Diffusion Models for Graph Generation [45.103518022696996]
  SparseDiffは、ほとんど全ての大きなグラフがスパースであるという観察に基づく、新しい拡散モデルである。 エッジのサブセットを選択することで、SparseDiffは、ノイズ発生過程とノイズ発生ネットワーク内のスパースグラフ表現を効果的に活用する。 本モデルでは,小規模・大規模両方のデータセットにおいて,複数のメトリクスにわたる最先端性能を示す。
  論文  参考訳（メタデータ） (2023-11-03T16:50:26Z)
• Graph Out-of-Distribution Generalization with Controllable Data Augmentation [51.17476258673232]
  グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。 トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。 仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:10:27Z)
• Training Robust Graph Neural Networks with Topology Adaptive Edge Dropping [116.26579152942162]
  グラフニューラルネットワーク(GNN)は、グラフ構造情報を利用してネットワークデータから表現をモデル化する処理アーキテクチャである。 彼らの成功にもかかわらず、GNNは限られた訓練データから得られる準最適一般化性能に悩まされている。 本稿では、一般化性能を改善し、堅牢なGNNモデルを学習するためのトポロジ適応エッジドロップ法を提案する。
  論文  参考訳（メタデータ） (2021-06-05T13:20:36Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Learning non-Gaussian graphical models via Hessian scores and triangular transport [6.308539010172309]
  連続分布と非ガウス分布のマルコフ構造を学習するアルゴリズムを提案する。 このアルゴリズムは三角トランスポートマップによって誘導される決定論的結合を用いて密度を推定し、グラフのスパース性を明らかにするために地図内のスパース構造を反復的に活用する。
  論文  参考訳（メタデータ） (2021-01-08T16:42:42Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。