論文の概要: Hierarchical Discrete Flow Matching for Graph Generation

• arxiv url: http://arxiv.org/abs/2604.00236v1
• Date: Tue, 31 Mar 2026 20:58:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.720928
• Title: Hierarchical Discrete Flow Matching for Graph Generation
• Title（参考訳）: グラフ生成のための階層型離散フローマッチング
• Authors: Yoann Boget, Pablo Strasser, Alexandros Kalousis,
• Abstract要約: 評価すべきノードペアの数を削減できる新しい階層的生成フレームワークを提案する。 我々は,提案手法がグラフ分布をより効果的に捕捉し,生成時間を大幅に短縮することを示した。
• 参考スコア（独自算出の注目度）: 46.069960612358216
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Denoising-based models, including diffusion and flow matching, have led to substantial advances in graph generation. Despite this progress, such models remain constrained by two fundamental limitations: a computational cost that scales quadratically with the number of nodes and a large number of function evaluations required during generation. In this work, we introduce a novel hierarchical generative framework that reduces the number of node pairs that must be evaluated and adopts discrete flow matching to significantly decrease the number of denoising iterations. We empirically demonstrate that our approach more effectively captures graph distributions while substantially reducing generation time.
• Abstract（参考訳）: 拡散とフローマッチングを含むデノジングベースのモデルは、グラフ生成に大きな進歩をもたらした。 この進歩にもかかわらず、そのようなモデルは、ノード数と2次スケールの計算コストと、生成に必要な多数の関数評価の2つの基本的な制限によって制約されている。 本研究では,評価が必要なノードペアの数を削減し,個別のフローマッチングを採用して,分割イテレーションの数を著しく削減する,新しい階層型生成フレームワークを提案する。 我々は,提案手法がグラフ分布をより効果的に捕捉し,生成時間を大幅に短縮することを示した。

関連論文リスト

• Unrestrained Simplex Denoising for Discrete Data. A Non-Markovian Approach Applied to Graph Generation [50.328122325596865]
  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。
  論文  参考訳（メタデータ） (2026-03-30T15:26:56Z)
• Diffusion-Free Graph Generation with Next-Scale Prediction [3.505533791554976]
  次世代の予測に基づく拡散自由グラフ生成フレームワークを提案する。 潜在表現の階層化を活用することで、モデルは明示的なノード順序付けを必要とせずに、グラフ全体のスケールを段階的に生成する。 ジェネリックグラフと分子グラフの両方の実験は、この手法の可能性を実証し、最先端の手法よりも最大3桁の推論速度を達成した。
  論文  参考訳（メタデータ） (2025-03-30T22:30:34Z)
• 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)
• Input Snapshots Fusion for Scalable Discrete-Time Dynamic Graph Neural Networks [27.616083395612595]
  本稿では,Hawkesプロセスとグラフニューラルネットワークを組み合わせることで,動的グラフの時間的および構造的パターンを効果的に捉えるSFDyGを提案する。 複数のスナップショットを1つの時間グラフに融合することで、SFDyGはスナップショットの数から計算複雑性を分離し、効率的なフルバッチとミニバッチのトレーニングを可能にする。
  論文  参考訳（メタデータ） (2024-05-11T10:05:55Z)
• 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)
• DiGress: Discrete Denoising diffusion for graph generation [79.13904438217592]
  DiGressは、分類ノードとエッジ属性を持つグラフを生成するための離散化拡散モデルである。 分子と非分子のデータセットで最先端のパフォーマンスを実現し、最大3倍の妥当性が向上する。 また、1.3Mの薬物様分子を含む大規模なGuacaMolデータセットにスケールする最初のモデルでもある。
  論文  参考訳（メタデータ） (2022-09-29T12:55:03Z)
• 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)

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。