論文の概要: Efficient Graph Generation via Direct Prediction and Flow Matching

• arxiv url: http://arxiv.org/abs/2610.05397v1
• Date: Sun, 04 Oct 2026 17:32:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 14:05:41.339109
• Title: Efficient Graph Generation via Direct Prediction and Flow Matching
• Title（参考訳）: 直接予測とフローマッチングによる効率的なグラフ生成
• Abstract要約: クリーングラフの予測とサンプリング効率の向上という2つの目標に導かれるグラフトランスフォーマーモデルであるダイレクトグラフフローマッチング(DiGFM)を導入する。 DiGFMは、先行するノイズ分布をマルチステッププロセスを介してクリーングラフ分布にマッピングする。 実験により、DiGFMは一般的なグラフベンチマークや分子データセットで、最先端のモデルよりも優れているか、あるいは一致していることが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative modeling of graph-structured data is crucial for tasks ranging from drug discovery to social network simulation. Among these models, denoising diffusion models have achieved great success in graph generation by learning to progressively reverse a process that adds noise to the original graph. However, the standard noise-prediction approach of diffusion models is suboptimal for graph data. The goal for a graph generative model is to learn the clean graphs' topological properties, such as connectivity and degree distribution. Because a diffusion model that predicts noise does not explicitly learn these topological properties, it is challenging for the model to output graphs with the desired structural statistics. To address this challenge, we introduce Direct Graph Flow Matching (DiGFM), a novel graph transformer model guided by two goals: predict clean graphs and improve sampling efficiency. Distinct from the prevailing diffusion approach, DiGFM employs a continuous flow-matching paradigm and integrates direct graph prediction. Specifically, DiGFM maps the prior noise distribution to the clean graph distribution via a multi-step process: the model repeatedly predicts the underlying clean graph, and a transformation is employed to convert the model output to the velocity vector that points in the direction toward the clean graph distribution. This design enables DiGFM to generate high-quality samples using only 2.5% to 15.6% of the steps required by diffusion-based models, which leads to a 5.3x to 257x speedup in wall-clock inference time. Experiments demonstrate that DiGFM outperforms or matches prior state-of-the-art models across general graph benchmarks and molecular datasets, generating graphs with strong adherence to ground-truth structural statistics at significantly faster inference speeds.
• Abstract（参考訳）: 薬物発見からソーシャルネットワークシミュレーションに至るまで,グラフ構造化データの生成モデリングは重要な課題である。 これらのモデルの中で、拡散モデルをデノナイズすることは、元のグラフにノイズを加える過程を段階的に逆転することを学ぶことによって、グラフ生成において大きな成功を収めた。 しかし、拡散モデルの標準的なノイズ予測アプローチはグラフデータに最適である。 グラフ生成モデルの目標は、接続性や度数分布などのクリーングラフの位相特性を学習することである。 ノイズを予測する拡散モデルはこれらのトポロジ的特性を明示的に学習しないため、所望の構造統計量を持つグラフを出力することは困難である。 この課題に対処するために、クリーングラフの予測とサンプリング効率の向上という、2つの目標に導かれる新しいグラフトランスフォーマモデルであるDirect Graph Flow Matching (DiGFM)を導入する。 広く普及している拡散法とは違い、DiGFMは連続的なフローマッチングパラダイムを採用し、直接グラフ予測を統合する。 特に、DiGFMは、先行するノイズ分布をマルチステッププロセスを介してクリーングラフ分布にマッピングし、モデルが下層のクリーングラフを繰り返し予測し、モデル出力をクリーングラフ分布の方向に向ける速度ベクトルに変換する。 この設計により、DiGFMは拡散モデルで要求されるステップのわずか2.5%から15.6%で高品質なサンプルを生成することができ、これはウォールクロックの推測時間において5.3倍から257倍のスピードアップをもたらす。 実験により、DiGFMは一般的なグラフベンチマークや分子データセットにまたがる最先端モデルよりも優れ、より高速な推論速度で地下構造統計に強く依存したグラフを生成することを示した。

関連論文リスト

• 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)
• Discrete Bayesian Sample Inference for Graph Generation [48.418206985863726]
  ベイジアンサンプル推論(BSI)に基づく新しいワンショットグラフ生成モデルであるGraphBSIを紹介する。 我々は、BSIを微分方程式(SDE)として記述し、スコア関数の近似により限界分布を保存するSDEのノイズ制御系を導出する。 実験的な評価では、分子および合成グラフ生成における最先端の性能を示し、既存のワンショットグラフ生成モデルより優れていた。
  論文  参考訳（メタデータ） (2025-11-04T21:25:51Z)
• Towards Fast Graph Generation via Autoregressive Noisy Filtration Modeling [12.737028324709609]
  グラフ生成モデルはしばしば、複雑な分布の学習と高速な生成速度の達成の間に重要なトレードオフに直面します。 本稿では,両課題に対処する新しい手法である自動回帰ノイズフィルタモデリング(ANFM)を紹介する。 ANFMは極めて短いシーケンスを生成し、拡散モデルと比較して100倍の高速化を実現している。
  論文  参考訳（メタデータ） (2025-02-04T15:35:25Z)
• 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)
• Generative Diffusion Models on Graphs: Methods and Applications [50.44334458963234]
  拡散モデルは、新しい生成パラダイムとして、様々な画像生成タスクにおいて顕著な成功を収めた。 グラフ生成は多くの実世界のアプリケーションを持つグラフ上で重要な計算タスクである。
  論文  参考訳（メタデータ） (2023-02-06T06:58:17Z)
• 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)

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。