論文の概要: Graph Energy Matching: Transport-Aligned Energy-Based Modeling for Graph Generation
- arxiv url: http://arxiv.org/abs/2603.23398v1
- Date: Tue, 24 Mar 2026 16:35:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-25 19:53:37.585773
- Title: Graph Energy Matching: Transport-Aligned Energy-Based Modeling for Graph Generation
- Title（参考訳）: グラフエネルギーマッチング: グラフ生成のための輸送指向エネルギーベースモデリング
- Authors: Michal Balcerak, Suprosana Shit, Chinmay Prabhakar, Sebastian Kaltenbach, Michael S. Albergo, Yilun Du, Bjoern Menze,
- Abstract要約: グラフエネルギーマッチング(英: Graph Energy Matching、GEM)は、離散拡散モデルとエネルギーベースモデルの間の忠実度ギャップを埋めるグラフのための生成フレームワークである。
GEMは置換不変ポテンシャルエネルギーを学習し、ノイズからデータへのトランスポート整列誘導を同時に提供し、高いデータ可能性の領域内のサンプルを精査する。
サンプルの品質以外にも、相対可能性の明示的なモデリングは、推測時間でのターゲット探索を可能にし、構成生成を容易にし、プロパティ制約されたサンプリング、グラフ間の測地学を可能にする。
- 参考スコア（独自算出の注目度）: 39.944645380380926
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Energy-based models for discrete domains, such as graphs, explicitly capture relative likelihoods, naturally enabling composable probabilistic inference tasks like conditional generation or enforcing constraints at test-time. However, discrete energy-based models typically struggle with efficient and high-quality sampling, as off-support regions often contain spurious local minima, trapping samplers and causing training instabilities. This has historically resulted in a fidelity gap relative to discrete diffusion models. We introduce Graph Energy Matching (GEM), a generative framework for graphs that closes this fidelity gap. Motivated by the transport map optimization perspective of the Jordan-Kinderlehrer-Otto (JKO) scheme, GEM learns a permutation-invariant potential energy that simultaneously provides transport-aligned guidance from noise toward data and refines samples within regions of high data likelihood. Further, we introduce a sampling protocol that leverages an energy-based switch to seamlessly bridge: (i) rapid, gradient-guided transport toward high-probability regions to (ii) a mixing regime for exploration of the learned graph distribution. On molecular graph benchmarks, GEM matches or exceeds strong discrete diffusion baselines. Beyond sample quality, explicit modeling of relative likelihood enables targeted exploration at inference time, facilitating compositional generation, property-constrained sampling, and geodesic interpolation between graphs.
- Abstract（参考訳）: グラフのような離散領域に対するエネルギーベースのモデルは、相対確率を明示的に捉え、条件生成やテスト時の制約の強制のような構成可能な確率的推論タスクを自然に可能にする。
しかしながら、離散的なエネルギーベースのモデルは、しばしば効率よく高品質なサンプリングに苦しむが、オフサポート領域には、しばしば急激な局所的なミニマが含まれ、サンプルを捕獲し、トレーニング不安定を引き起こす。
これは歴史的に、離散拡散モデルに対する忠実性ギャップをもたらす。
グラフエネルギーマッチング(Graph Energy Matching, GEM)は, この忠実度ギャップを埋めるグラフ生成フレームワークである。
Jordan-Kinderlehrer-Otto(JKO)スキームのトランスポートマップ最適化の観点から、GEMは、ノイズからデータへのトランスポートアラインガイダンスを同時に提供し、高いデータ可能性の領域内のサンプルを精査する置換不変ポテンシャルエネルギーを学習する。
さらに、エネルギーベースのスイッチを利用してシームレスにブリッジするサンプリングプロトコルを導入する。
一 高確率領域への急速勾配誘導輸送
(II)学習されたグラフ分布の探索のための混合体制。
分子グラフベンチマークでは、GEMは強い離散拡散基底線と一致するか、あるいは超える。
サンプル品質以外にも、相対可能性の明示的なモデリングは、推測時間でのターゲット探索を可能にし、構成生成を容易にし、プロパティ制約されたサンプリング、グラフ間の測地的補間を可能にする。
関連論文リスト
- EFF-Grasp: Energy-Field Flow Matching for Physics-Aware Dexterous Grasp Generation [54.09734511705173]
EFF-Graspは、物理を意識したデクサラスグリップ生成のためのフローマッチング合成ベースのフレームワークである。
我々は、スムーズな確率フローによる効率的な安定な生成を可能にする決定論的常微分方程式(ODE)プロセスとして、グリップを再構成する。
EFF-Graspは、拡散ベースラインよりもサンプリングステップを著しく少なくしながら、把握品質と物理的実現性において優れた性能を実現する。
論文 参考訳（メタデータ） (2026-03-17T06:11:56Z) - GeodesicNVS: Probability Density Geodesic Flow Matching for Novel View Synthesis [54.39598154430305]
本稿では,ペアビュー間の決定論的変換を直接学習するデータ間フローマッチングフレームワークを提案する。
PDG-FMは、事前訓練された拡散モデルの確率密度測定値から導かれる測地的補間剤を用いて流れの軌跡を制約する。
これらの結果は、一貫した新しいビュー生成のための決定論的フローマッチングにデータ依存の幾何正規化を組み込むことの利点を強調している。
論文 参考訳（メタデータ） (2026-03-01T09:30:11Z) - Energy-Guided Flow Matching Enables Few-Step Conformer Generation and Ground-State Identification [45.52894539097255]
本稿では,明示的な学習エネルギーモデルとフローマッチングを結合する統合フレームワークであるEnFlowを紹介する。
サンプリング中にエネルギー段階的な誘導を取り入れることで,低エネルギー領域への軌道を導出する。
さらに、学習したエネルギー関数は、生成したアンサンブルの効率的なエネルギーベースのランク付けを可能にし、正確な基底状態の同定を可能にする。
論文 参考訳（メタデータ） (2025-12-27T14:00:22Z) - 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) - Energy Matching: Unifying Flow Matching and Energy-Based Models for Generative Modeling [5.787270247104665]
現在の最先端生成モデルは、フローやスコアの一致によって、ノイズをデータ分布にマッピングする。
本稿では,ESMの柔軟性を備えたフローベースアプローチを実現するフレームワークであるEnergy Matchingを提案する。
論文 参考訳（メタデータ） (2025-04-14T18:10:58Z) - Decoupled Graph Energy-based Model for Node Out-of-Distribution Detection on Heterophilic Graphs [61.226857589092]
グラフ学習におけるノードのOOD検出は未探索のままである。
GNNSafeは、最先端の性能を持つグラフ領域にエネルギーベースの検出を適用した。
本稿では,学習過程をノード表現のためのトポロジ情報を利用するグラフエンコーダと,遅延空間で動作するエネルギーヘッドの2つの部分に分解するDeGEMを紹介する。
論文 参考訳（メタデータ） (2025-02-25T07:20:00Z) - DeFoG: Discrete Flow Matching for Graph Generation [45.037260759871124]
DeFoGは、トレーニングからサンプリングをアンタングルするグラフ生成フレームワークである。
本稿では,性能を著しく向上し,必要な精錬工程数を削減できる新しいサンプリング手法を提案する。
論文 参考訳（メタデータ） (2024-10-05T18:52:54Z) - Variational Potential Flow: A Novel Probabilistic Framework for Energy-Based Generative Modelling [10.926841288976684]
エネルギーをベースとした新しい生成フレームワークVAPOについて述べる。
VAPOは、勾配(流れ)が前のサンプルを導くポテンシャルエネルギー関数を学習することを目的としており、その密度の進化は近似的なデータ準同相性に従う。
イメージはポテンシャルエネルギーをトレーニングした後、ガウスのサンプルを初期化し、固定時間間隔で電位フローを管理するODEを解くことで生成することができる。
論文 参考訳（メタデータ） (2024-07-21T18:08:12Z) - Score-based Generative Modeling of Graphs via the System of Stochastic
Differential Equations [57.15855198512551]
本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。
本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
論文 参考訳（メタデータ） (2022-02-05T08:21:04Z) - 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。