論文の概要: From Uniform to Learned Graph Priors: Diffusion for Structure Discovery

• arxiv url: http://arxiv.org/abs/2606.11831v1
• Date: Wed, 10 Jun 2026 09:14:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.37812
• Title: From Uniform to Learned Graph Priors: Diffusion for Structure Discovery
• Title（参考訳）: ユニフォームから学習グラフへ - 構造発見のための拡散
• Authors: Qi Shao, Hao Guo, Jiawen Chen, Duxin Chen, Wenwu Yu,
• Abstract要約: Diff-priorは,グラフを生成するのではなく,遅延グラフ分布のキャリブレーションに使用される拡散パラメータ化適応プリミティブである。 私たちの中核的な洞察は、事前の統合を、散在する不確実なエッジ後部をより信頼性の高い構造に整理する、学習可能なデノナイジングスタイルのキャリブレーションとして再編成することにあります。 標準ベンチマーク実験により,我々のフレームワークが検証され,Diff-priorが構造推論の性能を向上させることが示唆された。
• 参考スコア（独自算出の注目度）: 18.139196723025034
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Neural relational inference (NRI) methods discover interaction graphs from trajectories through variational reasoning on discrete potential edges. However, these methods typically rely on oversimplified, factorized graph priors. Such priors, typically nearing uniform distributions, treat edges as independent entities. This systemic misalignment does not match the real-world systems and yields diffuse and indecisive edge posteriors limiting the reliability of structural discovery. To address this, we propose \textit{Diff-prior}, a diffusion-parameterized adaptive prior used to calibrate latent graph distribution rather than generate graphs. Our core insight is to reframe prior integration as a learnable denoising-style calibration that organizes scattered, uncertain edge posteriors into a more reliable overall structure which can be trained by the diffusion model. Diff-prior learns an adaptive structure prior that performs structured calibration on the edge posteriors during inference, guiding it towards a distribution closer to the underlying structure. The diff-prior operates before structural sampling and acts as a denoising calibrator directly on the encoder edge distribution, which provides a generic training paradigm over structured variables. Experiments on standard benchmarks validated our framework, and the results indicate that Diff-prior improves the performance of structure inference and generates more decisive edge posteriors across multiple NRI-family architectures. The code is available on https://github.com/Hardy158118/Diffprior.
• Abstract（参考訳）: ニューラルリレーショナル推論(NRI)法は、離散ポテンシャルエッジ上の変分推論を通して軌道から相互作用グラフを発見する。 しかし、これらの手法は典型的には単純化され、分解されたグラフの先行に頼っている。 このような先行は、典型的には一様分布に近づき、エッジを独立した実体として扱う。 この体系的なミスアライメントは現実世界のシステムと一致せず、構造発見の信頼性を制限した拡散と不決定のエッジ後縁をもたらす。 そこで本稿では,グラフ生成ではなく,遅延グラフ分布のキャリブレーションに使用される拡散パラメトリズドアダプティブプリオードであるtextit{Diff-prior}を提案する。 私たちの中核的な洞察は、事前の統合を、散らばった不確実なエッジ後部を、拡散モデルによってトレーニング可能なより信頼性の高い全体構造に整理する、学習可能なデノイングスタイルのキャリブレーションとして再編成することである。 Diff-priorは、推論中にエッジの後方で構造的キャリブレーションを行い、基礎構造に近い分布に向かって誘導するアダプティブ構造を事前に学習する。 diff-priorは、構造的なサンプリングの前に動作し、エンコーダエッジの分布を直接分解するキャリブレータとして機能し、構造化変数に対する一般的なトレーニングパラダイムを提供する。 Diff-priorは、構造推論の性能を改善し、複数のNRIファミリーアーキテクチャでより決定的なエッジ後縁を生成することを示す。 コードはhttps://github.com/Hardy158118/Diffprior.comで入手できる。

関連論文リスト

• Variational Bayesian Flow Network for Graph Generation [54.94088904387278]
  グラフ生成のための変分ベイズフローネットワーク(VBFN)を提案する。 VBFNは、構造化精度で支配されるトラクタブルジョイントガウス変分信念ファミリーに対して変分リフトを行う。 合成グラフと分子グラフのデータセットでは、VBFNは忠実度と多様性を改善し、ベースライン法を超えている。
  論文  参考訳（メタデータ） (2026-01-30T03:59:38Z)
• Prior-Informed Flow Matching for Graph Reconstruction [38.96153306484745]
  グラフ再構成のための条件付きフローモデルであるPIFM(Presideed-Informed Flow Matching)を導入する。 PIFMは、埋め込みベースの事前処理と継続的フローマッチングを統合することでギャップを埋める。 異なるデータセットの実験により、PIFMは古典的な埋め込みを一貫して強化し、それらを性能良くし、再現精度において最先端の生成ベースラインを向上することを示した。
  論文  参考訳（メタデータ） (2026-01-29T18:38:02Z)
• The Procrustean Bed of Time Series: The Optimization Bias of Point-wise Loss [53.542743390809356]
  本稿では,最適化バイアス(EOB)の期待に関する第一原理解析を提案する。 時間列が決定論的で構造化されるほど、ポイントワイドの損失関数によるバイアスがより厳しくなる。 本稿では,DFTとDWTの両原理を同時に実現する具体的ソリューションを提案する。
  論文  参考訳（メタデータ） (2025-12-21T06:08:22Z)
• DAG DECORation: Continuous Optimization for Structure Learning under Hidden Confounding [0.0]
  本研究では, 線形ガウスSEMの構造学習について検討した。 我々は,DAGと相関雑音モデルとを共同で学習する単一の可能性に基づく推定器であるtextscDECORを提案する。
  論文  参考訳（メタデータ） (2025-10-02T15:23:30Z)
• Graph Transformer Networks for Accurate Band Structure Prediction: An End-to-End Approach [37.28844299368596]
  本稿では,結晶構造からのバンド構造を直接高精度に予測するグラフトランスフォーマーに基づくエンドツーエンドアプローチを提案する。 本モデルでは, バンド構造予測だけでなく, バンドギャップ, バンド中心, バンド分散などの特性を高精度に導出できることを示す。
  論文  参考訳（メタデータ） (2024-11-25T15:22:03Z)
• Graph Structure Learning with Interpretable Bayesian Neural Networks [10.957528713294874]
  独立に解釈可能なパラメータを持つ新しい反復を導入する。 これらのパラメータは、エッジ空間のような推定グラフの特性に影響を与える。 これらの反復を解いた後、そのようなグラフの特徴に関する事前知識は、事前分布を形作る。 高速な実行とパラメータ効率により、高忠実度後部近似が可能となる。
  論文  参考訳（メタデータ） (2024-06-20T23:27:41Z)
• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)
• DiBS: Differentiable Bayesian Structure Learning [38.01659425023988]
  ベイズ構造学習(DiBS)のための汎用的で完全に微分可能なフレームワークを提案する。 DiBSは潜在確率グラフ表現の連続空間で動作する。 既存の研究とは対照的に、DiBSは局所的な条件分布の形式に依存しない。
  論文  参考訳（メタデータ） (2021-05-25T11:23:08Z)

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。