論文の概要: Latent Flow Matching for Molecular Graph Generation

• arxiv url: http://arxiv.org/abs/2610.06468v1
• Date: Mon, 05 Oct 2026 15:00:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 08:09:59.069483
• Title: Latent Flow Matching for Molecular Graph Generation
• Title（参考訳）: 分子グラフ生成のための潜流整合
• Abstract要約: 事前訓練された変分オートエンコーダから得られるグラフ全体の潜在表現を明示的に生成する。 提案手法は, 最先端なグラフ生成モデルと比較して, 良好な品質効率のトレードオフを提供しながら, 高い妥当性とFCDを実現する。
• 参考スコア（独自算出の注目度）: 16.80052703012206
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern graph generative models typically operate directly in the discrete graph space, explicitly generating node and edge variables, which can become costly as graphs grow. In this paper, we perform generation explicitly on latent representations of entire graphs obtained from a pretrained Variational Autoencoder with high reconstruction fidelity. The generated representations, obtained through flow matching, are then decoded only at the final step. Across molecular benchmarks of increasing size, our approach achieves strong validity and FCD while offering a favorable quality-efficiency trade-off compared with state-of-the-art explicit graph generative models. One of the main advantages of this formulation is that the graph representation only needs to be learned once, after which the same one can be reused across multiple generative objectives without retraining. We demonstrate generation guided by molecular properties and further introduce validity-aware generation though a classifier learned directly in latent space. All code will be made available upon acceptance.
• Abstract（参考訳）: 現代のグラフ生成モデルは一般に離散グラフ空間で直接動作し、グラフが成長するにつれてコストがかかるノードとエッジ変数を明示的に生成する。 本稿では,事前訓練された変分オートエンコーダから得られたグラフ全体の潜在表現を,高い再構成精度で明示的に生成する。 生成された表現はフローマッチングによって得られ、最終ステップでのみデコードされる。 大規模化の分子ベンチマークにおいて,本手法は高い妥当性とFCDを実現するとともに,最先端の明示的なグラフ生成モデルと比較して,良好な品質・効率のトレードオフを提供する。 この定式化の主な利点の1つは、グラフ表現が一度だけ学習される必要があることである。 分子特性によって導かれる生成を実証し、さらに潜在空間で直接学習した分類器の妥当性を考慮した生成を導入する。 すべてのコードは受理時に利用可能になる。

関連論文リスト

• Diffusion-Free Graph Generation with Next-Scale Prediction [3.505533791554976]
  次世代の予測に基づく拡散自由グラフ生成フレームワークを提案する。 潜在表現の階層化を活用することで、モデルは明示的なノード順序付けを必要とせずに、グラフ全体のスケールを段階的に生成する。 ジェネリックグラフと分子グラフの両方の実験は、この手法の可能性を実証し、最先端の手法よりも最大3桁の推論速度を達成した。
  論文  参考訳（メタデータ） (2025-03-30T22:30:34Z)
• GraphRCG: Self-Conditioned Graph Generation [78.69810678803248]
  本稿では,グラフ分布を明示的にモデル化する自己条件付きグラフ生成フレームワークを提案する。 本フレームワークは, 既存のグラフ生成手法に比べて, 学習データに対するグラフ品質と忠実度において優れた性能を示す。
  論文  参考訳（メタデータ） (2024-03-02T02:28:20Z)
• Overcoming Order in Autoregressive Graph Generation [12.351817671944515]
  グラフ生成は、化学やソーシャルネットワークなど、さまざまな領域における基本的な問題である。 近年の研究では、リカレントニューラルネットワーク(RNN)を用いた分子グラフ生成が、従来の生成手法と比較して有利であることが示されている。
  論文  参考訳（メタデータ） (2024-02-04T09:58:22Z)
• 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)
• 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)
• Generating a Doppelganger Graph: Resembling but Distinct [5.618335078130568]
  本論文では,与えられたグラフ特性に類似したドッペルガンガーグラフを生成する手法を提案する。 このアプローチは、グラフ表現学習、生成的敵ネットワーク、およびグラフ実現アルゴリズムのオーケストレーションである。
  論文  参考訳（メタデータ） (2021-01-23T22:08:27Z)

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。