論文の概要: Generator-based Graph Generation via Heat Diffusion

• arxiv url: http://arxiv.org/abs/2602.03612v1
• Date: Tue, 03 Feb 2026 15:04:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.526057
• Title: Generator-based Graph Generation via Heat Diffusion
• Title（参考訳）: 熱拡散による発電機グラフ生成
• Authors: Anthony Stephenson, Ian Gallagher, Christopher Nemeth,
• Abstract要約: 本稿では,グラフ構造データにジェネレータマッチングパラダイムを適用することにより,グラフを生成する新しいフレームワークを提案する。 グラフラプラシアンとその関連熱核を利用して各グラフ上の連続時間拡散を定義する。 ニューラルネットワークは、真のジェネレータと学習可能なサロゲートとの間のブレグマンの発散を最小限にして、このジェネレータにマッチするように訓練される。
• 参考スコア（独自算出の注目度）: 9.143285110847138
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Graph generative modelling has become an essential task due to the wide range of applications in chemistry, biology, social networks, and knowledge representation. In this work, we propose a novel framework for generating graphs by adapting the Generator Matching (arXiv:2410.20587) paradigm to graph-structured data. We leverage the graph Laplacian and its associated heat kernel to define a continous-time diffusion on each graph. The Laplacian serves as the infinitesimal generator of this diffusion, and its heat kernel provides a family of conditional perturbations of the initial graph. A neural network is trained to match this generator by minimising a Bregman divergence between the true generator and a learnable surrogate. Once trained, the surrogate generator is used to simulate a time-reversed diffusion process to sample new graph structures. Our framework unifies and generalises existing diffusion-based graph generative models, injecting domain-specific inductive bias via the Laplacian, while retaining the flexibility of neural approximators. Experimental studies demonstrate that our approach captures structural properties of real and synthetic graphs effectively.
• Abstract（参考訳）: グラフ生成モデリングは、化学、生物学、ソーシャルネットワーク、知識表現における幅広い応用のために重要な課題となっている。 本研究では,グラフ構造化データにジェネレータマッチング(arXiv:2410.20587)パラダイムを適用することにより,グラフを生成する新しいフレームワークを提案する。 グラフラプラシアンとその関連熱核を利用して各グラフ上の連続時間拡散を定義する。 ラプラシアンはこの拡散の無限小生成体として機能し、その熱核は初期グラフの条件摂動の族を提供する。 ニューラルネットワークは、真のジェネレータと学習可能なサロゲートとの間のブレグマンの発散を最小限にして、このジェネレータにマッチするように訓練される。 訓練後、サロゲート生成器は時間反転拡散過程をシミュレートして新しいグラフ構造をサンプリングする。 我々のフレームワークは既存の拡散グラフ生成モデルを統一・一般化し、ラプラシアンを通してドメイン固有の帰納バイアスを注入し、ニューラル近似器の柔軟性を維持している。 実験により,本手法は実グラフと合成グラフの構造特性を効果的に捉えていることが示された。

関連論文リスト

• Fractional Heat Kernel for Semi-Supervised Graph Learning with Small Training Sample Size [4.067682699655706]
  本稿では,源項付き分数的熱カーネルダイナミクスを用いたラベル伝搬と自己学習のための新しいアルゴリズムを提案する。 グラフ畳み込みネットワーク(Graph Convolutional Networks)やグラフアテンション(Graph Attention)といったグラフニューラルネットワークアーキテクチャに,分数的な熱カーネルを統合する。 標準データセットにおけるこのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2025-10-06T02:15:46Z)
• GraphRCG: Self-Conditioned Graph Generation [78.69810678803248]
  本稿では,グラフ分布を明示的にモデル化する自己条件付きグラフ生成フレームワークを提案する。 本フレームワークは, 既存のグラフ生成手法に比べて, 学習データに対するグラフ品質と忠実度において優れた性能を示す。
  論文  参考訳（メタデータ） (2024-03-02T02:28:20Z)
• 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)
• Conditional Diffusion Based on Discrete Graph Structures for Molecular Graph Generation [32.66694406638287]
  分子グラフ生成のための離散グラフ構造(CDGS)に基づく条件拡散モデルを提案する。 具体的には、微分方程式(SDE)を用いて、グラフ構造と固有の特徴の両方に対して前方グラフ拡散過程を構築する。 本稿では,中間グラフ状態からグローバルコンテキストと局所ノードエッジ依存性を抽出する,特殊なハイブリッドグラフノイズ予測モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-01T15:24:15Z)

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。