論文の概要: FLAGG: Flexible Autoregressive Graph Generation

• arxiv url: http://arxiv.org/abs/2606.05067v1
• Date: Wed, 03 Jun 2026 16:29:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.893237
• Title: FLAGG: Flexible Autoregressive Graph Generation
• Title（参考訳）: FLAGG:フレキシブルな自己回帰グラフ生成
• Authors: Samuel Cognolato, Alessandro Sperduti, Luciano Serafini,
• Abstract要約: Deep Graph Generationのパノラマは、ワンショットモデルとシーケンシャルモデルという2つの極端に広がっている。 本稿では,1ショットモデルでグラフの一部を逐次生成するFLAGGフレームワークを提案する。 本手法は, サンプリング品質において, 単発ベースラインと自己回帰ベースラインの両方に優れることを示す。
• 参考スコア（独自算出の注目度）: 49.27389752031144
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The Deep Graph Generation's panorama spans two extremes: one-shot and sequential models. The former generates nodes and edges jointly, while the latter samples them autoregressively. Each method performs better in different graph domains depending on size and topology, but neither is applicable to all graph categories. For instance, one-shot methods struggle with generating large graphs, while sequential methods underperform on smaller graphs. A possible way to overcome these limitations is to flexibly combine the two methods in a unique system. In this work, we propose the FLAGG (Flexible Autoregressive Graph Generation) framework, which sequentially generates portions of graphs with one-shot models. FLAGG can apply any one-shot model to make it autoregressive, allowing flexibility in choosing the sequential policy. This policy is specified through a stochastic node removal process, which an Insertion Model learns to reverse. We evaluate FLAGG with the DiGress one-shot model on several data sets of different graph sizes and domains. We show that the approach outperforms both one-shot and autoregressive baselines in terms of sampling quality.
• Abstract（参考訳）: Deep Graph Generationのパノラマは、ワンショットモデルとシーケンシャルモデルという2つの極端に広がっている。 前者はノードとエッジを共同で生成し、後者は自己回帰的にそれらをサンプリングする。 それぞれの手法は、サイズやトポロジーによって異なるグラフ領域でよりよく機能するが、すべてのグラフカテゴリに適用できない。 例えば、ワンショットメソッドは大きなグラフを生成するのに苦労し、シーケンシャルメソッドは小さなグラフでパフォーマンスが劣る。 これらの制限を克服する可能な方法は、ユニークなシステムで2つのメソッドを柔軟に組み合わせることである。 本研究では,FLAGG(Flexible Autoregressive Graph Generation)フレームワークを提案する。 FLAGGは任意のワンショットモデルを適用して自動回帰し、シーケンシャルポリシーを選択する柔軟性を実現する。 このポリシーは、Insertion Modelが逆転学習する確率的ノード除去プロセスを通じて指定される。 グラフサイズと領域の異なる複数のデータセットに対して,DiGressワンショットモデルを用いてFLAGGを評価した。 本手法は, サンプリング品質において, 単発ベースラインと自己回帰ベースラインの両方に優れることを示す。

関連論文リスト

• 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)
• Flatten Graphs as Sequences: Transformers are Scalable Graph Generators [7.341041463243556]
  AutoGraphは、デコーダのみのトランスフォーマーを使用した属性グラフ生成のためのスケーラブルな自動回帰モデルである。 合成および分子ベンチマークの最先端性能を達成し、最大100倍高速な生成と3倍高速なトレーニングを実現している。
  論文  参考訳（メタデータ） (2025-02-04T10:52:14Z)
• IFH: a Diffusion Framework for Flexible Design of Graph Generative Models [53.219279193440734]
  グラフ生成モデルは,1行にグラフを生成するワンショットモデルと,ノードとエッジの連続的な付加によるグラフを生成するシーケンシャルモデルという,2つの顕著なファミリーに分類される。 本稿では,逐次度を規定するグラフ生成モデルであるInsert-Fill-Halt(IFH)を提案する。
  論文  参考訳（メタデータ） (2024-08-23T16:24:40Z)
• Node Copying: A Random Graph Model for Effective Graph Sampling [35.957719744856696]
  本稿では,グラフ上の分布を構成するノードコピーモデルを提案する。 コピーモデルの有用性を3つのタスクで示す。 提案モデルを用いて,グラフトポロジに対する敵攻撃の効果を緩和する。
  論文  参考訳（メタデータ） (2022-08-04T04:04:49Z)
• Similarity-aware Positive Instance Sampling for Graph Contrastive Pre-training [82.68805025636165]
  トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。 私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。 さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
  論文  参考訳（メタデータ） (2022-06-23T20:12:51Z)
• GraphGen-Redux: a Fast and Lightweight Recurrent Model for labeled Graph Generation [13.956691231452336]
  ラベル付きグラフ生成のための新しいグラフ前処理手法を提案する。 新たなグラフ前処理手法を導入することで,ノードとエッジのラベル付け情報を共同で処理することができる。 GraphGen-Reduxと呼ばれる対応するモデルは、幅広いデータセットにおけるGraphGenの生成パフォーマンスを改善します。
  論文  参考訳（メタデータ） (2021-07-18T09:26:10Z)
• Order Matters: Probabilistic Modeling of Node Sequence for Graph Generation [18.03898476141173]
  グラフ生成モデルはグラフ上の分布を定義する。 グラフ上の正確な結合確率とシーケンシャルプロセスのノード順序を導出する。 我々は,従来の手法のアドホックノード順序を使わずに,この境界を最大化してグラフ生成モデルを訓練する。
  論文  参考訳（メタデータ） (2021-06-11T06:37:52Z)
• Scalable Deep Generative Modeling for Sparse Graphs [105.60961114312686]
  既存のディープニューラルネットワーク手法では、隣接行列を構築することで、$Omega(n2)$複雑さを必要とする。 我々は,この空間を利用して完全隣接行列を生成する新しい自己回帰モデルBiGGを開発した。 トレーニング中、この自己回帰モデルは$O(log n)$同期ステージで並列化できる。
  論文  参考訳（メタデータ） (2020-06-28T04:37:57Z)
• Revisiting Graph based Collaborative Filtering: A Linear Residual Graph Convolutional Network Approach [55.44107800525776]
  グラフ畳み込みネットワーク(GCN)は、最先端のグラフベースの表現学習モデルである。 本稿では、GCNベースの協調フィルタリング(CF)ベースのレコメンダシステム(RS)について再検討する。 単純なグラフ畳み込みネットワークの理論と整合して,非線形性を取り除くことで推奨性能が向上することを示す。 本稿では,ユーザ・イテム相互作用モデリングを用いたCF用に特別に設計された残差ネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2020-01-28T04:41:25Z)

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。