論文の概要: Evolutionary Refinement of Generative Graph Topologies: A Hybrid WGAN-GA Approach

• arxiv url: http://arxiv.org/abs/2605.29161v1
• Date: Wed, 27 May 2026 22:53:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.551405
• Title: Evolutionary Refinement of Generative Graph Topologies: A Hybrid WGAN-GA Approach
• Title（参考訳）: 生成グラフトポロジーの進化的再定義:ハイブリッドWGAN-GAアプローチ
• Authors: James Sargant, Seyedeh Ava Razi Razavi, Renata Dividino, Sheridan Houghten,
• Abstract要約: GAN(Generative Adversarial Networks)に基づくグラフ生成手法は,接続性学習とクラス固有密度分布のマッチングによりエッジモデリングを改善する。 これらのモデルは、実際のグラフと比較しても顕著な偏差を示しており、重要な構造特性が完全に保存されていないことを示している。 本研究の目的は,遺伝的アルゴリズム(GA)を用いた既存のGANベースのグラフ生成フレームワークによって生成されたグラフを精製することにより,これらの偏差を低減することである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating realistic graph-structured data is challenging due to discrete connectivity, varying graph sizes, and class-specific structural patterns. Recent Generative Adversarial Networks (GAN)-based graph generation methods improve edge modelling by learning connectivity and matching class-specific density distributions. However these models still exhibit noticeable deviations such as in degree and spectral distribution when compared to real graphs, indicating that important structural properties are not fully preserved. This work aims to reduce these deviations by refining the graphs produced by an existing GAN-based graph generator framework with a Genetic Algorithm (GA). In the GAN framework, the generator produces both node features and connectivity patterns, while a GNN-based critic evaluates graph realism and class consistency to ensure global structural and class alignment. Building on this foundation, we apply a GA to refine the edges of generated graphs. The refinement process guides synthetic graphs toward closer agreement with real data, while preserving diversity and novelty. Experimental results show that the GA refinement consistently lowers combined Maximum Mean Discrepancy (MMD) compared to the base model, leading to graphs that more closely match real structural patterns. This demonstrates that evolutionary refinement is an effective and flexible way to correct residual structural deviations in GAN-based graph generators, improving their suitability for realistic graph synthesis and data augmentation.
• Abstract（参考訳）: 離散接続性、グラフサイズの変化、クラス固有の構造パターンのため、現実的なグラフ構造化データの生成は困難である。 最近のGAN(Generative Adversarial Networks)に基づくグラフ生成手法は,接続性の学習とクラス固有密度分布のマッチングによりエッジモデリングを改善する。 しかし、これらのモデルは実際のグラフと比較した場合、次数やスペクトル分布のような顕著な偏差を示しており、重要な構造特性が完全に保存されていないことを示している。 本研究の目的は遺伝的アルゴリズム(GA)を用いて既存のGANベースのグラフ生成フレームワークによって生成されたグラフを精製することにより,これらの偏差を低減することである。 GANフレームワークでは、ジェネレータはノードの特徴と接続パターンの両方を生成し、GNNベースの批評家はグラフリアリズムとクラス一貫性を評価し、グローバルな構造とクラスアライメントを保証する。 この基礎の上に構築され、生成したグラフのエッジを洗練するためにGAを適用します。 精製プロセスは、多様性と新規性を保ちながら、実際のデータとの密接な一致に向けて合成グラフを導く。 実験結果から,GAの改良により,基本モデルと比較して最大平均離散性(MMD)が一貫して低下し,実際の構造パターンとより密に一致したグラフが得られた。 このことは、進化的洗練が、GANベースのグラフ生成器の残留構造偏差を補正する効果的で柔軟な方法であり、現実的なグラフ合成とデータ拡張に適していることを証明している。

関連論文リスト

• Fine-Grained Graph Generation through Latent Mixture Scheduling [16.95910326345246]
  グラフ生成における微細構造制御のための条件付き変分オートエンコーダを提案する。 この手法は、グラフの忠実度と制御満足度の両方を改善するために、グラフおよびプロパティ駆動表現を動的に整列させることによりデコーダの潜伏空間を洗練する。
  論文  参考訳（メタデータ） (2026-05-04T16:23:01Z)
• GADPN: Graph Adaptive Denoising and Perturbation Networks via Singular Value Decomposition [6.24191713518868]
  GADPNはグラフ構造学習フレームワークであり、低ランクな denoising と一般化された構造摂動によってグラフトポロジーを適応的に洗練する。 最先端のパフォーマンスを実現し、効率を大幅に向上させる。 グラフ構造を強固に学習する能力を検証することで、不合理なグラフに挑戦する上で特に大きな利益をもたらす。
  論文  参考訳（メタデータ） (2026-01-13T05:25:32Z)
• Model-Driven Graph Contrastive Learning [25.015678499211404]
  本稿では,モデル駆動型グラフコントラスト学習(GCL)フレームワークであるtextbfMGCL$を提案する。 GCLは表現型ノードやグラフ表現を学習するための強力な自己教師型フレームワークとして登場した。 ベンチマークデータセットの実験では、MGCLが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-06-06T16:17:22Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• SeaDAG: Semi-autoregressive Diffusion for Conditional Directed Acyclic Graph Generation [83.52157311471693]
  方向性非巡回グラフ(DAG)の条件生成のための半自己回帰拡散モデルSeaDAGを紹介する。 グローバルグラフ構造を欠いた従来の自己回帰生成とは異なり,本手法は拡散ステップ毎に完全なグラフ構造を保持する。 本研究では,現実的なDAGを生成する拡散モデルの能力を高めるために,条件損失を伴うグラフ条件学習を明示的に訓練する。
  論文  参考訳（メタデータ） (2024-10-21T15:47:03Z)
• SCGG: A Deep Structure-Conditioned Graph Generative Model [9.046174529859524]
  SCGGと呼ばれる条件付きディープグラフ生成法は、特定のタイプの構造条件を考える。 SCGGのアーキテクチャは、グラフ表現学習ネットワークと、エンドツーエンドで訓練された自己回帰生成モデルで構成されている。 合成と実世界の両方のデータセットに対する実験結果は,最先端のベースラインと比較して,本手法の優位性を示している。
  論文  参考訳（メタデータ） (2022-09-20T12:33:50Z)
• Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
  本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。 我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
  論文  参考訳（メタデータ） (2022-06-28T02:10:05Z)
• Generating the Graph Gestalt: Kernel-Regularized Graph Representation Learning [47.506013386710954]
  グラフデータの完全な科学的理解は、グローバル構造とローカル構造の両方に対処する必要がある。 本稿では,グラフVAEフレームワークにおける相補的目的として,両者のジョイントモデルを提案する。 実験により,生成したグラフ構造の現実性は,典型的には1-2桁のグラフ構造メトリクスによって著しく向上したことが示された。
  論文  参考訳（メタデータ） (2021-06-29T10:48:28Z)

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。