論文の概要: Flowette: Flow Matching with Graphette Priors for Graph Generation

• arxiv url: http://arxiv.org/abs/2602.23566v1
• Date: Fri, 27 Feb 2026 00:22:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 19:48:24.181225
• Title: Flowette: Flow Matching with Graphette Priors for Graph Generation
• Title（参考訳）: Flowette: グラフ生成に先立つGraphetteとのフローマッチング
• Authors: Asiri Wijesinghe, Sevvandi Kandanaarachchi, Daniel M. Steinberg, Cheng Soon Ong,
• Abstract要約: Flowetteは、グラフニューラルネットワークベースのトランスフォーマーを使用して、ノードとエッジ属性を持つグラフ表現上で定義された速度場を学習する、継続的フローマッチングフレームワークである。 ドメイン駆動型構造事前を組み込むため、リングや星、木などのモチーフに対する制御された構造編集を通じてグラファイトを一般化するグラフ構造モデルの新しい確率論的ファミリーであるグラファイトを導入する。 Flowetteは一貫した改善を示し、複雑なグラフ分布をモデル化するためのフローベースのトレーニングと構造上の先行要素を組み合わせる効果を強調している。
• 参考スコア（独自算出の注目度）: 8.684988468368454
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study generative modeling of graphs with recurring subgraph motifs. We propose Flowette, a continuous flow matching framework, that employs a graph neural network based transformer to learn a velocity field defined over graph representations with node and edge attributes. Our model preserves topology through optimal transport based coupling, and long-range structural dependencies through regularisation. To incorporate domain driven structural priors, we introduce graphettes, a new probabilistic family of graph structure models that generalize graphons via controlled structural edits for motifs like rings, stars and trees. We theoretically analyze the coupling, invariance, and structural properties of the proposed framework, and empirically evaluate it on synthetic and small-molecule graph generation tasks. Flowette demonstrates consistent improvements, highlighting the effectiveness of combining structural priors with flow-based training for modeling complex graph distributions.
• Abstract（参考訳）: 本研究では, グラフの連続的な部分グラフモチーフを用いた生成モデルについて検討する。 本稿では,ノードとエッジ属性を持つグラフ表現上に定義された速度場を学習するために,グラフニューラルネットワークベースのトランスフォーマを用いた連続フローマッチングフレームワークであるFlowetteを提案する。 我々のモデルは、最適輸送に基づく結合と、正規化による長距離構造的依存関係を通して位相を保存する。 ドメイン駆動型構造事前を組み込むため、リングや星、木などのモチーフに対する制御された構造編集を通じてグラファイトを一般化するグラフ構造モデルの新しい確率論的ファミリーであるグラファイトを導入する。 提案フレームワークの結合, 分散, 構造特性を理論的に解析し, 合成および小分子グラフ生成タスクにおいて実験的に評価する。 Flowetteは一貫した改善を示し、複雑なグラフ分布をモデル化するためのフローベースのトレーニングと構造上の先行要素を組み合わせる効果を強調している。

関連論文リスト

• Training A Foundation Model to Represent Graphs as Vectors [24.592499205332413]
  本稿では,任意のグラフを意味情報を保存するベクトルとして表現できるグラフ基盤モデルを訓練することを目的とする。 提案モデルの有効性を裏付ける理論的な一般化を提供する。 数ショットのグラフ分類とグラフクラスタリングによる実験結果から,我々のモデルは強いベースラインよりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-02-04T06:06:28Z)
• GraphUniverse: Enabling Systematic Evaluation of Inductive Generalization [8.95975918626961]
  GraphUniverseはグラフの全ファミリーを生成するためのフレームワークである。 これにより、スケールでの帰納的一般化の最初の体系的評価が可能になる。 私たちの中心となるイノベーションは、永続的なセマンティックなコミュニティを持つグラフの生成です。
  論文  参考訳（メタデータ） (2025-09-25T12:46:01Z)
• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• Fine-tuning Graph Neural Networks by Preserving Graph Generative Patterns [13.378277755978258]
  プレトレーニンググラフと下流グラフの間の構造的ばらつきは,バニラ微調整戦略を用いた場合の転送可能性を大幅に制限することを示す。 下流グラフの生成パターンを保存するためにG-Tuningを提案する。 G-Tuningはドメイン内およびドメイン外移行学習実験において平均0.5%と2.6%の改善を示している。
  論文  参考訳（メタデータ） (2023-12-21T05:17:10Z)
• 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)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Graph Kernel Neural Networks [53.91024360329517]
  本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。 これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。 私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
  論文  参考訳（メタデータ） (2021-12-14T14:48:08Z)
• CommPOOL: An Interpretable Graph Pooling Framework for Hierarchical Graph Representation Learning [74.90535111881358]
  新しい解釈可能なグラフプーリングフレームワークである CommPOOL を提案します。 グラフ表現学習プロセスにおいて、グラフの階層的なコミュニティ構造をキャプチャし、保存することができる。 CommPOOLは階層グラフ表現学習のための汎用的で柔軟なフレームワークです。
  論文  参考訳（メタデータ） (2020-12-10T21:14:18Z)
• GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
  本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。 学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。 GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
  論文  参考訳（メタデータ） (2020-07-07T16:51:39Z)

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。