論文の概要: Embedded Graph Flows for Categorical Graph Generation

• arxiv url: http://arxiv.org/abs/2609.05328v1
• Date: Fri, 04 Sep 2026 16:26:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:24.116314
• Title: Embedded Graph Flows for Categorical Graph Generation
• Title（参考訳）: カテゴリグラフ生成のための埋め込みグラフフロー
• Abstract要約: ノードおよび非順序エッジカテゴリに対する連続的な埋め込みを学習する生成モデルを提案する。 端末読み出しは、埋め込みを個別のグラフカテゴリにマップする。 分子ベンチマーク全体では、EGFは競合性能を達成した。
• 参考スコア（独自算出の注目度）: 16.10813350475306
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating categorical graphs requires choosing node and edge types that form a coherent structure without depending on node order. Many graph generators encode categories as fixed one-hot vectors, which can impose an artificial geometry in which categories are equidistant. We propose Embedded Graph Flows (EGF), a generative model that learns continuous embeddings for node and unordered-edge categories and transports Gaussian noise towards these learnt endpoints using a permutation-equivariant graph transformer. A terminal readout maps the embeddings back to discrete graph categories. Across molecular benchmarks, EGF achieved competitive performance. On QM9, EGF gives the best result on all four reported metrics among the three methods, including a Fréchet ChemNet Distance (FCD) of 0.150, compared with 0.717 for the categorical-diffusion baseline DiGress and 0.812 for the bridge-based baseline GruM. When applied to larger molecules in ZINC250k, EGF retains the lowest maximum mean discrepancy (MMD) using the neighbourhood subgraph pairwise distance kernel (NSPDK), indicating close agreement with the local substructures of the reference molecules. Our code is available at https://github.com/Trusted-System-Lab/EGF.
• Abstract（参考訳）: 分類グラフを生成するには、ノード順序に依存することなくコヒーレントな構造を形成するノードタイプとエッジタイプを選択する必要がある。 多くのグラフ生成器は、カテゴリを固定された1ホットベクトルとしてエンコードし、カテゴリが等距離である人工幾何学を課すことができる。 本研究では,ノードおよび非順序エッジカテゴリの連続埋め込みを学習し,置換同変グラフ変換器を用いてガウスノイズをこれらの学習終端へ輸送する生成モデルEGFを提案する。 端末読み出しは、埋め込みを個別のグラフカテゴリにマップする。 分子ベンチマーク全体では、EGFは競合性能を達成した。 QM9では、EFFはFréchet ChemNet Distance (FCD) の0.150の3つの手法の中で、カテゴリー拡散ベースラインのDiGressでは0.717、ブリッジベースベースラインのGruMでは0.812の4つの指標で最高の結果を与える。 ZINC250kのより大きな分子に適用すると、EGFは、近隣のサブグラフ対距離核 (NSPDK) を用いて、基準分子の局所的な部分構造との密接な一致を示す最小の最大平均誤差(MMD)を保持する。 私たちのコードはhttps://github.com/Trusted-System-Lab/EGFで利用可能です。

関連論文リスト

• AdaGraph: A Graph-Native Clustering Algorithm That Overcomes the Curse of Dimensionality and Enables Scientific Discovery [0.0]
  本稿では,Structure-Centric Machine Learning(SC-ML)パラダイムから生まれたグラフネイティブクラスタリングアルゴリズムであるAdaGraphを紹介する。 AdaGraphは、完全にkNNグラフトポロジー内で動作する。 Graph-SCOPEは、独自のSC-MLコントリビューションとして導入されたトポロジベースのクラスタ妥当性インデックスである。
  論文  参考訳（メタデータ） (2026-05-05T01:42:59Z)
• 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)
• Scalable Graph Compressed Convolutions [68.85227170390864]
  ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。 グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
  論文  参考訳（メタデータ） (2024-07-26T03:14:13Z)
• Graph Sparsification via Mixture of Graphs [67.40204130771967]
  そこで我々はMixture-of-Graphs (MoG)を導入し、各ノードに対して動的に調整されたプルーニングソリューションを選択する。 MoGには複数のスパシファイアの専門家が組み込まれており、それぞれが独自のスパーシリティレベルとプルーニング基準によって特徴付けられ、各ノードに対して適切な専門家を選択する。 5つのGNNを備えた4つの大規模OGBデータセットと2つのスーパーピクセルデータセットの実験により、MoGはより高い空間レベルのサブグラフを識別することを示した。
  論文  参考訳（メタデータ） (2024-05-23T07:40:21Z)
• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• GRAN is superior to GraphRNN: node orderings, kernel- and graph embeddings-based metrics for graph generators [0.6816499294108261]
  本研究では,グラフ不変量の分布に関するカーネルベースのメトリクスと,グラフ埋め込み空間における多様体ベースのメトリクスとカーネルベースのメトリクスについて検討する。 グラフの2つのよく知られた生成モデルであるGraphRNNとGRANを比較し、ノード順序の影響を明らかにする。
  論文  参考訳（メタデータ） (2023-07-13T12:07:39Z)
• Fused Gromov-Wasserstein Graph Mixup for Graph-level Classifications [44.15102300886821]
  我々はFGWMixupと呼ばれる新しいグラフ混合アルゴリズムを提案し、FGWMixupはFused Gromov-Wasserstein計量空間のソースグラフの中間点を求める。 5つのデータセットで行った実験により、FGWMixupはGNNの一般化性と堅牢性を効果的に改善することが示された。
  論文  参考訳（メタデータ） (2023-06-28T07:00:12Z)
• Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
  本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。 Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-05-18T07:27:18Z)
• Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
  典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。 そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
  論文  参考訳（メタデータ） (2021-11-19T08:54:21Z)
• Robust Correlation Clustering with Asymmetric Noise [3.8073142980733]
  相関クラスタリング(英語版)はグラフクラスタリングの定式化であり、(1) ノード間の類似性/異性度を示すエッジウェイトを持つ符号付きグラフを入力とし、(2) 入力グラフ内のクラスタ数を事前に見積もる必要がない。 グラフノードの特徴ベクトル/埋め込みの生成に基づく新しいグラフ生成モデルNode Factors Model (NFM)を提案する。
  論文  参考訳（メタデータ） (2021-10-15T21:47:27Z)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)

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。