論文の概要: When Edge Independence Fails: Joint Graph Diffusion with Latent Sociability Priors

• arxiv url: http://arxiv.org/abs/2610.13765v1
• Date: Fri, 09 Oct 2026 15:50:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.659049
• Title: When Edge Independence Fails: Joint Graph Diffusion with Latent Sociability Priors
• Title（参考訳）: エッジインデペンデントが機能しない場合:潜伏した社会性を持つグラフ拡散が先行する
• Abstract要約: 本稿では、LSP(Latent Sociability Prior)と、遅延ノードの社会性変数とグラフ構造を共進化させる結合拡散プロセスを紹介する。 既存の潜在グラフ拡散法とは異なり、社会性機構は複雑なエンコーダを必要としない。
• 参考スコア（独自算出の注目度）: 12.61819939182746
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Discrete graph diffusion models corrupt graph structure through independent edge updates with a Markovian noise model. Combined with the exchangeability requirement on the output distribution, the terminal prior is necessarily an Erdős--Rényi (E-R) random graph. This has a fundamental consequence for unconditional graph generation without node features: in the large graph limit, any GNN denoiser applied to an E-R graph approximately outputs an E-R graph, making effective denoising difficult. In practice, generated graphs fail to recover meaningful node heterogeneity and higher-order structure. Previous models introduced specialized node features to compensate, framing this as an expressivity problem, while the role of the prior remained unexamined. We instead address the root cause by introducing the Latent Sociability Prior (LSP) and a join} diffusion process that co-evolves latent node sociability variables and graph structure, removing edge independence while preserving exchangeability. Unlike existing latent graph diffusion methods, the sociability mechanism requires no complex encoder: its sole role is to guide edge updates and preserve node heterogeneity throughout the trajectory. We validate our approach on multiple graph generation datasets and show that the proposed framework more accurately captures graph distributions than baseline methods without node features.
• Abstract（参考訳）: 離散グラフ拡散モデルによるマルコフ雑音モデルによる独立エッジ更新によるグラフ構造劣化 出力分布上の交換可能性要件と組み合わせて、先行する端末は必ずしもエルデシュ-レーニ(E-R)ランダムグラフである。 大きなグラフ極限では、E-Rグラフに適用された任意のGNNデノイザは、E-Rグラフを略して出力し、効果的なデノイ化を困難にする。 実際には、生成されたグラフは意味のあるノードの不均一性と高次構造を回復することができない。 以前のモデルでは補うために特別なノード機能を導入し、表現性の問題としてフレーミングしたが、以前のモデルの役割は検討されなかった。 代わりに、LSP(Latent Sociability Prior)と、遅延ノードの社会性変数とグラフ構造を共進化させる結合拡散プロセスを導入し、交換可能性を維持しながらエッジ独立性を取り除くことで根本原因に対処する。 既存の潜在グラフ拡散法とは異なり、社会性メカニズムは複雑なエンコーダを必要としない。 我々は,複数のグラフ生成データセットに対するアプローチを検証し,提案フレームワークがノード特徴のないベースライン手法よりもグラフ分布をより正確に捉えていることを示す。

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)
• Generating Large Semi-Synthetic Graphs of Any Size [0.4419843514606336]
  グラフ生成はネットワーク科学において重要な領域である。 近年のディープラーニングの進歩により、データ駆動型手法によるグラフの学習と生成が可能になった。 本稿では,遅延グラフサンプリング生成(LGSG)を提案する。
  論文  参考訳（メタデータ） (2025-07-02T21:46:28Z)
• 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)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• 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 Transformer GANs for Graph-Constrained House Generation [223.739067413952]
  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。 GTGANは、グラフ制約のある住宅生成タスクにおいて、エンドツーエンドで効率的なグラフノード関係を学習する。
  論文  参考訳（メタデータ） (2023-03-14T20:35:45Z)
• USER: Unsupervised Structural Entropy-based Robust Graph Neural Network [22.322867182077182]
  教師なしグラフニューラルネットワーク(GNN)は、入力グラフデータの固有のランダム性に対して脆弱である。 構造エントロピーに基づくグラフニューラルネットワークの教師なしロバストバージョンであるUSERを提案する。 ランダムノイズ下でのクラスタリングとリンク予測タスク、および3つのデータセットに対するメタアタックの実験は、USERのベンチマーク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） (2023-02-12T10:32:12Z)
• 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)
• Order Matters: Probabilistic Modeling of Node Sequence for Graph Generation [18.03898476141173]
  グラフ生成モデルはグラフ上の分布を定義する。 グラフ上の正確な結合確率とシーケンシャルプロセスのノード順序を導出する。 我々は,従来の手法のアドホックノード順序を使わずに,この境界を最大化してグラフ生成モデルを訓練する。
  論文  参考訳（メタデータ） (2021-06-11T06:37:52Z)
• FeatureNorm: L2 Feature Normalization for Dynamic Graph Embedding [39.527059564775094]
  グラフ畳み込みネットワーク(GCN)は、非ユークリッドアプリケーションドメインで広く研究され、利用されている。 本稿では,まずノード埋め込み空間における縮小特性を解析し,単純で汎用的な手法を設計する。 実世界の4つの動的グラフデータセットと競合ベースラインモデルの比較実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-02-27T09:13:47Z)

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。