論文の概要: Unrestrained Simplex Denoising for Discrete Data. A Non-Markovian Approach Applied to Graph Generation

• arxiv url: http://arxiv.org/abs/2603.28572v1
• Date: Mon, 30 Mar 2026 15:26:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.47774
• Title: Unrestrained Simplex Denoising for Discrete Data. A Non-Markovian Approach Applied to Graph Generation
• Title（参考訳）: 非マルコフ的手法によるグラフ生成
• Authors: Yoann Boget, Alexandros Kalousis,
• Abstract要約: 本稿では,確率的単純度をベースとした,シンプルで効果的な生成フレームワークであるSimplex Denoisingを紹介する。 与えられたクリーンなデータポイントに対して、異なるタイミングでのノイズ表現は条件独立である。 経験的に、訓練された単純な騒音は、強い離散拡散とフローマッチングベースラインを超越する。
• 参考スコア（独自算出の注目度）: 50.328122325596865
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Denoising models such as Diffusion or Flow Matching have recently advanced generative modeling for discrete structures, yet most approaches either operate directly in the discrete state space, causing abrupt state changes. We introduce simplex denoising, a simple yet effective generative framework that operates on the probability simplex. The key idea is a non-Markovian noising scheme in which, for a given clean data point, noisy representations at different times are conditionally independent. While preserving the theoretical guarantees of denoising-based generative models, our method removes unnecessary constraints, thereby improving performance and simplifying the formulation. Empirically, \emph{unrestrained simplex denoising} surpasses strong discrete diffusion and flow-matching baselines across synthetic and real-world graph benchmarks. These results highlight the probability simplex as an effective framework for discrete generative modeling.
• Abstract（参考訳）: 拡散やフローマッチングのようなデノイングモデルは最近、離散構造のための生成モデリングを進歩させたが、ほとんどのアプローチは離散状態空間で直接動作するか、急激な状態変化を引き起こす。 本稿では,確率的単純度をベースとした,シンプルで効果的な生成フレームワークであるSimplex Denoisingを紹介する。 キーとなる考え方は、与えられたクリーンなデータポイントに対して、異なる時点におけるノイズ表現が条件付き独立である非マルコフノーミングスキームである。 本手法は,デノベーションに基づく生成モデルの理論的保証を保ちながら,不要な制約を除去し,性能の向上と定式化の簡易化を図る。 経験的に、'emph{unrestrained simplex denoising} は、合成および実世界のグラフベンチマークで強い離散拡散とフローマッチングベースラインを超える。 これらの結果は、離散生成モデリングの効果的なフレームワークとして確率的単純性を強調している。

関連論文リスト

• Search-Augmented Masked Diffusion Models for Constrained Generation [47.47350674873298]
  Search-Augmented Masked Diffusion (SearchDiff)は、インフォメーションサーチを直接リバース・デノイング・プロセスに統合するトレーニング不要なニューロシンボリック推論フレームワークである。 SearchDiffは制約満足度とプロパティの定着性を大幅に改善し、離散拡散と自己回帰ベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-02-02T19:43:25Z)
• Simple Denoising Diffusion Language Models [32.08084107137018]
  我々は一様状態拡散モデル(USDM)の簡易化に基づく損失法を提案する。 対照的に負の勾配に着想を得たデノナイジング損失に簡単な修正を加え, 実用的であり, 生成品質の向上が期待できる。
  論文  参考訳（メタデータ） (2025-10-27T02:05:26Z)
• NoiseAR: AutoRegressing Initial Noise Prior for Diffusion Models [50.51982871889886]
  NoiseARは拡散モデルに先立つ自己回帰初期雑音の新しい手法である。 空間パッチやトークン上での自己回帰的確率的モデリングタスクとして,初期雑音先行パラメータの生成を定式化する。 実験により,ノイズレーダが初期雑音を発生させることで,サンプル品質が向上し,条件付き入力との整合性が向上することを示した。
  論文  参考訳（メタデータ） (2025-06-02T05:32:35Z)
• Simple and Critical Iterative Denoising: A Recasting of Discrete Diffusion in Graph Generation [0.0]
  中間ノイズ状態間の依存関係は、逆ノイズ化プロセス中にエラーの蓄積と伝播を引き起こす。 本稿では, 離散拡散を単純化し, 問題を回避し, 簡易反復分解という新しい枠組みを提案する。 実験により,提案手法はグラフ生成タスクにおいて既存の離散拡散ベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-03-27T15:08:58Z)
• Beyond Fixed Horizons: A Theoretical Framework for Adaptive Denoising Diffusions [1.9116784879310031]
  本稿では, ノイズ発生過程とノイズ発生過程の両方において, 時間均質な構造を実現する新しい生成拡散モデルを提案する。 モデルの主な特徴は、ターゲットデータへの適応性であり、事前訓練された無条件生成モデルを使用して、様々な下流タスクを可能にする。
  論文  参考訳（メタデータ） (2025-01-31T18:23:27Z)
• 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)
• ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
  チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。 我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
  論文  参考訳（メタデータ） (2023-04-07T15:17:48Z)
• From Denoising Diffusions to Denoising Markov Models [38.33676858989955]
  デノイング拡散は、顕著な経験的性能を示す最先端の生成モデルである。 本稿では、この手法を広い範囲に一般化し、スコアマッチングのオリジナル拡張につながる統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-07T14:34:27Z)

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。