論文の概要: Discrete Diffusion for Large Graph Generation via Structural Candidate Restriction

• arxiv url: http://arxiv.org/abs/2610.04056v1
• Date: Fri, 02 Oct 2026 21:07:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-12 20:36:58.055388
• Title: Discrete Diffusion for Large Graph Generation via Structural Candidate Restriction
• Title（参考訳）: 構造的候補制限による大規模グラフ生成のための離散拡散
• Abstract要約: ノードペアの構造的動機付けサブセットにトレーニングを制限する離散グラフ拡散モデルを導入する。 我々は,広義の床付きコサインノイズスケジュールで制御される3種類の吸収前処理を設計する。 我々のノードは各ノードの次数に適応し、グラフの構造を完全に消去することはなく、ノイズの多いグラフを全てのステップで知らせる。
• 参考スコア（独自算出の注目度）: 12.23929393820587
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Synthesizing realistic graphs at scale is vital when the graphs of interest are large and real-world samples are limited or access-sensitive. Diffusion-based generators have recently driven much of the progress, offering high modeling capacity, but most such methods have quadratic computational complexity and are hence restricted to small-scale networks, currently up to 3k nodes. Existing non-quadratic methods remain limited by memorization issues and a trade-off between scalability and generation quality. Our goal is to generate large graphs whose structural statistics --- e.g., degree distribution, clustering, and path length --- faithfully reflect those of real-world sparse graphs, without resorting to memorizing the training data. We introduce a discrete graph diffusion model that restricts training to a structurally motivated subset of node pairs --- observed edges and their wedge non-edges --- reducing training complexity below quadratic in the number of nodes. To keep the noisy graph informative throughout both the forward and reverse trajectories, we design a three-class absorbing forward process governed by a \emph{degree-aware, floored} cosine noise schedule: unlike a structure-blind schedule that adds noise to every pair identically, ours adapts to each node's degree and never fully erases the graph's structure, keeping the noisy graph informative at every step. Experiments across diverse datasets show that our model consistently ranks among the top methods for structural fidelity against existing discrete diffusion baselines in large graph generation.
• Abstract（参考訳）: 現実的なグラフを大規模に合成することは、興味のあるグラフが大きく、現実世界のサンプルが限定的またはアクセスに敏感である場合に必要不可欠である。 拡散型ジェネレータは近年、高いモデリング能力を提供しているが、そのような手法の多くは2次計算の複雑さを持ち、それゆえ、現在最大3kノードまでの小規模ネットワークに制限されている。 既存の二分法メソッドは、記憶の問題とスケーラビリティと生成品質のトレードオフによって制限されている。 私たちの目標は、トレーニングデータを記憶することなく、構造統計(例えば、度分布、クラスタリング、パス長)を現実のスパースグラフに忠実に反映した大きなグラフを作ることです。 ノードペアの構造的動機付けされたサブセット -- 観測エッジとそのウェッジ非エッジ -- にトレーニングを限定する離散グラフ拡散モデルを導入する。 前向きと逆向きの両方のトラジェクトリを通してノイズを知らせるために、我々は、各ペアにノイズを付加する構造的盲点スケジュールとは異なり、我々は各ノードの次数に適応し、グラフの構造を完全に消し去ることなく、ノイズを知らせる3段階の吸収前処理を設計し、すべてのステップでノイズを知らせる。 多様なデータセットを対象とした実験により、我々のモデルは大きなグラフ生成において既存の離散拡散ベースラインに対して、構造的忠実度のトップメソッドとして一貫してランク付けされている。

関連論文リスト

• GraphK: Variable-Size Graph Generation with Efficient Edge Construction [0.27998963147546135]
  グラフ生成のための新しいエンコーダ-サンプラー-デコーダフレームワークであるGraphKを提案する。 置換不変の潜在表現を学習することにより、グラフのサイズと構造を一般化する。 合成および実世界のデータセットの実験は、GraphKが既存のメソッドより優れていることを示している。
  論文  参考訳（メタデータ） (2026-08-19T10:34:17Z)
• DiPhon: Diffusion on Graphons for Scalable Graph Generation [100.75398811422308]
  拡散モデルはグラフ生成の主要なパラダイムであり、分子設計のような領域に顕著な影響を与えている。 有限グラフ上のこれらのダイナミクスを模倣する離散化グラフレベルプロセスであるDiPhonを提案する。 我々は、DiPhonが連続グラノン過程によって引き起こされる限界分布の第一モーメントと正確に一致することを証明し、第二モーメントを閉形式差まで近似する。
  論文  参考訳（メタデータ） (2026-07-08T10:15:17Z)
• Learning to Approximate Adaptive Kernel Convolution on Graphs [4.434835769977399]
  本稿では,拡散カーネルのスケールによって特徴集約の範囲を制御できる拡散学習フレームワークを提案する。 本モデルは,最先端データセットの性能評価のためのノードワイズ分類のための様々な標準で検証されている。 グラフ分類のための実世界の脳ネットワークデータにも検証され、アルツハイマー分類の実用性を実証している。
  論文  参考訳（メタデータ） (2024-01-22T10:57:11Z)
• Sparse Training of Discrete Diffusion Models for Graph Generation [45.103518022696996]
  SparseDiffは、ほとんど全ての大きなグラフがスパースであるという観察に基づく、新しい拡散モデルである。 エッジのサブセットを選択することで、SparseDiffは、ノイズ発生過程とノイズ発生ネットワーク内のスパースグラフ表現を効果的に活用する。 本モデルでは,小規模・大規模両方のデータセットにおいて,複数のメトリクスにわたる最先端性能を示す。
  論文  参考訳（メタデータ） (2023-11-03T16:50:26Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• 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)

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。