論文の概要: Scaling Novel Graph Generation via Lightweight Structure-Guided Autoregressive Models

• arxiv url: http://arxiv.org/abs/2606.04287v1
• Date: Tue, 02 Jun 2026 23:34:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.427349
• Title: Scaling Novel Graph Generation via Lightweight Structure-Guided Autoregressive Models
• Title（参考訳）: 軽量構造誘導自己回帰モデルによる新しいグラフ生成のスケーリング
• Authors: Alessio Barboni, Massimiliano Lupo Pasini, Bishal Lakha, Edoardo Serra,
• Abstract要約: 現在のグラフ生成モデルはスケーラビリティと新規性によって制限されている。 これらの問題に対処するための軽量な自己回帰フレームワークを提案する。 提案手法は, 高い妥当性と特異性を保ちながら, 新規性の向上を図っている。
• 参考スコア（独自算出の注目度）: 2.4909077571620513
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating realistic and diverse graphs is a key problem in machine learning, with applications in molecular discovery, circuit design, cybersecurity, and beyond. However, current graph generative models remain limited by scalability and novelty. Diffusion-based methods often require costly full-adjacency operations and long denoising chains, while many autoregressive and hybrid models have at least quadratic complexity. In addition, these models often imitate training graphs rather than generalize beyond them. We propose a lightweight autoregressive framework to address these issues. It uses a structure-guided topological ordering to serialize graphs into regular edge sequences, enabling near log-linear generation, and a two-phase training strategy that combines exploration-oriented augmentation with iterative refinement to reduce overfitting and promote controlled novelty. Experiments on molecular and non-molecular benchmarks show that our approach improves novelty while preserving high validity and uniqueness. The framework also supports both LSTM and Mamba-style causal sequence backbones, with large-memory accelerators enabling longer graph-sequence experiments beyond typical GPU limits.
• Abstract（参考訳）: 現実的で多様なグラフを生成することは、分子発見、回路設計、サイバーセキュリティなど、機械学習における重要な問題である。 しかし、現在のグラフ生成モデルは、スケーラビリティと新規性によって制限されている。 拡散に基づく手法は、しばしばコストのかかるフルアジャクシー演算と長い縮退鎖を必要とするが、多くの自己回帰モデルとハイブリッドモデルは少なくとも2次複雑さを持つ。 さらに、これらのモデルは、それらを超えて一般化するのではなく、トレーニンググラフを模倣することが多い。 これらの問題に対処するための軽量な自己回帰フレームワークを提案する。 構造誘導型トポロジカルオーダを使用してグラフを正規のエッジシーケンスにシリアライズし、近接対数線形生成を可能にするとともに、探索指向の拡張と反復的改善を組み合わせた2段階のトレーニング戦略を用いてオーバーフィッティングを減らし、制御されたノベルティを促進する。 分子および非分子ベンチマーク実験により,本手法は高い妥当性と特異性を保ちながら新規性を向上することが示された。 このフレームワークはLSTMとMambaスタイルの因果シーケンスバックボーンもサポートしており、大きなメモリアクセラレータにより、典型的なGPU制限を超えてグラフシーケンス実験を長くすることができる。

関連論文リスト

• Graph VQ-Transformer (GVT): Fast and Accurate Molecular Generation via High-Fidelity Discrete Latents [6.5389217759933125]
  本稿では,グラフVQ変換器(Graph VQ-Transformer,GVT)について述べる。 我々のアプローチの核となるのは、分子グラフを高忠実な離散潜在配列に圧縮する新しいグラフベクトル量子変分オートコーダ(VQ-VAE)である。 GVTは、ZINC250k、MOSES、GuacaMolといった主要なベンチマークに対して、最先端または高い競争性能を達成する。
  論文  参考訳（メタデータ） (2025-12-02T11:44:15Z)
• Improving Long-Range Interactions in Graph Neural Simulators via Hamiltonian Dynamics [71.53370807809296]
  最近のグラフニューラルシミュレータ(GNS)は、グラフ構造化データ上での動的学習によりシミュレーションを加速する。 ハミルトン力学の原理に基づいて構築されたグラフベースニューラルネットワークであるIGNS(Information-serving Graph Neural Simulator)を提案する。 IGNSは最先端のGNSを一貫して上回り、挑戦的で複雑な力学系の下で高い精度と安定性を達成する。
  論文  参考訳（メタデータ） (2025-11-11T12:53:56Z)
• Scalable Graph Generative Modeling via Substructure Sequences [50.32639806800683]
  本稿では,グラフ生成用トランスフォーマー事前学習フレームワークである生成グラフパターンマシン(G$2$PM)を紹介する。 G$2$PMはグラフインスタンス(ノード、エッジ、グラフ全体)をサブ構造のシーケンスとして表現する。 それは、一般化可能かつ伝達可能な表現を学ぶために、シーケンスに関する生成的事前学習を採用する。
  論文  参考訳（メタデータ） (2025-05-22T02:16:34Z)
• 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)
• Towards Scalable and Deep Graph Neural Networks via Noise Masking [59.058558158296265]
  グラフニューラルネットワーク(GNN)は多くのグラフマイニングタスクで顕著に成功している。 計算とストレージのコストが高いため、大きなグラフにスケールすることは困難です。 既存のモデル単純化作業と互換性のあるプラグアンドプレイモジュールであるノイズマスキング(RMask)を用いたランダムウォークを提案する。
  論文  参考訳（メタデータ） (2024-12-19T07:48:14Z)
• 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)
• Improving Graph Generation by Restricting Graph Bandwidth [0.7874708385247353]
  ディープグラフ生成モデリングは、実世界のグラフを特徴付ける複雑なマルチスケール構造の分布を学習できることが証明されている。 既存の方法の主な制限の1つは、その大きな出力空間である。 本稿では,既存のグラフ生成モデルの出力空間を大幅に削減する新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-01-25T22:27:46Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)

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。