論文の概要: From Graphs to Feeders: Constraint-Guided Diffusion for Rule-Compliant Feeder Generation

• arxiv url: http://arxiv.org/abs/2609.29879v1
• Date: Thu, 24 Sep 2026 14:31:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:10.008112
• Title: From Graphs to Feeders: Constraint-Guided Diffusion for Rule-Compliant Feeder Generation
• Title（参考訳）: グラフからフィードへ:ルール互換フィード生成のための制約付き拡散
• Abstract要約: Power-Grid-Constrained Discrete Denoising Diffusion Model, PG-DiGressは、フィードデータからカテゴリノードとエッジパターンを学習する。 PG-DiGressの評価には, グラフ分布類似性, フィードルル満足度, 構造妥当性, 下流モデル構築を用いた。
• 参考スコア（独自算出の注目度）: 3.9088987246422033
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative modeling approaches often focus on recovering broad statistical characteristics from the training data. In the context of graph generation, this may refer to degree distributions, clustering coefficients, or spectral properties. However, generating usable distribution feeders when detailed feeder models are unavailable requires more than matching generic graph statistics: the sampled topology must also obey electrical compatibility and radiality rules. We therefore formulate feeder synthesis as a constraint-guided graph generation problem and propose the Power-Grid-constrained Discrete Denoising Diffusion model, PG-DiGress, which learns categorical node and edge patterns from feeder data, while respecting domain-specific rules. Specifically, it injects feeder constraints into the reverse diffusion process through soft masks that suppress incompatible edge classes during denoising, followed by a final projection step that rebuilds a connected, rule-compliant feeder graph. We evaluate PG-DiGress using graph-distribution similarity, feeder-rule satisfaction, structural validity, and downstream model construction. Compared with the unconstrained baseline, PG-DiGress increases the strict feeder pass rate from 13.7% to 96.8%. We also successfully convert the generated graphs into executable feeder models for downstream analysis.
• Abstract（参考訳）: 生成的モデリングアプローチは、トレーニングデータから幅広い統計特性を回復することに集中することが多い。 グラフ生成の文脈において、これは次数分布、クラスタリング係数、スペクトル特性を参照することができる。 しかし、詳細なフィードモデルが利用できない場合、使用可能な分布フィードアを生成するには、一般的なグラフ統計と一致する以上のことが必要であり、サンプルトポロジーは電気的互換性と放射性規則に従う必要がある。 そこで我々は、制約付きグラフ生成問題としてフィードデータ合成を定式化し、ドメイン固有のルールを尊重しつつ、フィードデータからカテゴリノードとエッジパターンを学習するパワーグリッド制約離散化拡散モデルPG-DiGressを提案する。 具体的には、デノナイズ中の不整合エッジクラスを抑えるソフトマスクを通じて、逆拡散過程にフィードの制約を注入し、続いて接続されたルールに準拠したフィードグラフを再構築する最終的なプロジェクションステップを実行する。 PG-DiGressの評価には, グラフ分布類似性, フィードルル満足度, 構造妥当性, 下流モデル構築を用いた。 PG-DiGressは非拘束のベースラインと比較して13.7%から96.8%に厳格なフィーダーパスレートを上昇させる。 また、下流解析のために生成されたグラフを実行可能なフィードモデルに変換することに成功した。

関連論文リスト

• Fluid-DiT: Graph-Free Diffusion Transformers for Fluid Flow Simulations Learning [50.053186229257555]
  本稿では,グラフメッセージパッシングを注意に基づく認知に置き換えるグラフ自由拡散変換器を提案する。 変換器のグローバルな受容場を利用することで、Fluid-DiTは局所フロー構造と長距離相関の両方を自然に捉える。 サンプルの品質と分布精度の両方において、グラフベースの拡散ベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-08-07T12:28:45Z)
• 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)
• Advancing Graph Generation through Beta Diffusion [49.49740940068255]
  Graph Beta Diffusion (GBD)は、グラフデータの多様な性質を扱うために特別に設計された生成モデルである。 本稿では, 臨界グラフトポロジを安定化させることにより, 生成グラフの現実性を高める変調手法を提案する。
  論文  参考訳（メタデータ） (2024-06-13T17:42:57Z)
• Addressing Heterophily in Node Classification with Graph Echo State Networks [11.52174067809364]
  ノード分類のためのグラフエコー状態ネットワーク(GESN)を用いた異種グラフの課題に対処する。 GESNはグラフのための貯水池計算モデルであり、ノードの埋め込みは訓練されていないメッセージパッシング関数によって計算される。 実験の結果, 貯水池モデルでは, ほぼ完全に訓練された深層モデルに対して, より優れた精度あるいは同等の精度が得られることがわかった。
  論文  参考訳（メタデータ） (2023-05-14T19:42:31Z)
• Graph Federated Learning for CIoT Devices in Smart Home Applications [23.216140264163535]
  G-Fedfilt'と呼ばれるグラフフィルタリングに基づく新しいグラフ信号処理(GSP)に基づく集約ルールを提案する。 提案するアグリゲータは,グラフのトポロジに基づく情報の流れを構造化することができる。 モデルの一般化をテストする場合、FedAvgよりも2.41%$高い精度が得られる。
  論文  参考訳（メタデータ） (2022-12-29T17:57:19Z)
• DiGress: Discrete Denoising diffusion for graph generation [79.13904438217592]
  DiGressは、分類ノードとエッジ属性を持つグラフを生成するための離散化拡散モデルである。 分子と非分子のデータセットで最先端のパフォーマンスを実現し、最大3倍の妥当性が向上する。 また、1.3Mの薬物様分子を含む大規模なGuacaMolデータセットにスケールする最初のモデルでもある。
  論文  参考訳（メタデータ） (2022-09-29T12:55:03Z)
• Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
  本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。 本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
  論文  参考訳（メタデータ） (2022-02-05T08:21:04Z)

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。