論文の概要: Logic-Guided Graph Denoising Diffusion Models

• arxiv url: http://arxiv.org/abs/2610.23766v1
• Date: Fri, 16 Oct 2026 17:06:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:08.031049
• Title: Logic-Guided Graph Denoising Diffusion Models
• Title（参考訳）: 論理誘導グラフによる拡散モデル
• Abstract要約: 本稿では,一階述語論理を用いたドメイン固有知識におけるグラフ拡散モデルの基底化手法を提案する。 本稿では,外部変数に対する拡散モデルの分布を規定する手法である分類器ガイダンスを用いて,ドメイン知識を組み込む。 我々は、知識グラフの無条件生成と論理誘導フレームワークを比較して、我々のアプローチを評価する。
• 参考スコア（独自算出の注目度）: 59.446894669458054
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Graph diffusion models are competitive approaches for generating complex graph-structured data. However, when such distributions have strict structural constraints, diffusion models may fail to capture them exactly, resulting in the generation of invalid graphs. In this paper, we propose a method for grounding graph diffusion models in domain-specific knowledge via First Order Logic (FOL), leveraging its expressive and interpretable formalism to impose structural constraints on the generative process. We incorporate domain knowledge using classifier guidance, a technique that conditions the diffusion model's distribution on external variables to exert control over the sampled data. During the generative process, classifier guidance steers the denoising trajectory to optimize an objective function, which we define as a fuzzy and differentiable relaxation of the logical rules. Our methodology requires only the specification of constraints in FOL, whose satisfaction is encouraged at inference time to guide a pre-trained generative model. We evaluate our approach by comparing the unconditional generation of knowledge graphs with our logic-guided framework, which incorporates domain ontologies as structural constraints during inference. This approach significantly increases the proportion of generated graphs that satisfy the ontological constraints.
• Abstract（参考訳）: グラフ拡散モデルは、複雑なグラフ構造データを生成するための競合的なアプローチである。 しかし、そのような分布が厳密な構造的制約を持つ場合、拡散モデルはそれらを正確に捉えることができず、結果として無効なグラフが生成される。 本稿では,一階述語論理(FOL)を用いて,その表現的かつ解釈可能な形式性を活用し,生成過程に構造的制約を課すことにより,ドメイン固有知識のグラフ拡散モデルを構築する手法を提案する。 本稿では,外部変数に対する拡散モデルの分布を規定し,サンプルデータに対する制御を行う手法である分類器ガイダンスを用いてドメイン知識を組み込む。 生成過程において、分類器指導は、目的関数を最適化するために認知軌道を操縦し、論理規則のファジィかつ微分可能な緩和として定義する。 提案手法は,事前学習した生成モデルを導出するために,予測時に満足度が推奨されるFOLの制約仕様のみを必要とする。 我々は、知識グラフの非条件生成と、推論中の構造的制約としてドメインオントロジーを組み込んだ論理誘導フレームワークを比較して、アプローチを評価する。 このアプローチは、存在論的制約を満たす生成グラフの割合を著しく増加させる。

関連論文リスト

• Learning the Latent Structure: A Feature-Centric Approach to Graph Data Augmentation [49.81655636414316]
  実世界のグラフは、データ収集と観測上の制約のため、しばしば不完全である。 本稿では,明示的な構造モデリングを回避した特徴中心グラフデータ拡張フレームワークを提案する。 当社のアプローチであるSelfAugは、インダクティブ設定とコールドスタート設定の精度と効率の両方において、最先端の手法を一貫して上回ります。
  論文  参考訳（メタデータ） (2026-10-01T21:38:58Z)
• Constraint-Guided Prediction Refinement via Deterministic Diffusion Trajectories [7.279433512595361]
  本稿では,拡散拡散DDIMを誘導する制約認識のための汎用フレームワークを提案する。 本手法は,事前学習による拡散軌道を反復的に改良し,制約補正により拡張する。
  論文  参考訳（メタデータ） (2025-06-15T17:02:07Z)
• Simple and Critical Iterative Denoising: A Recasting of Discrete Diffusion in Graph Generation [0.0]
  中間ノイズ状態間の依存関係は、逆ノイズ化プロセス中にエラーの蓄積と伝播を引き起こす。 本稿では, 離散拡散を単純化し, 問題を回避し, 簡易反復分解という新しい枠組みを提案する。 実験により,提案手法はグラフ生成タスクにおいて既存の離散拡散ベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-03-27T15:08:58Z)
• Generative Modelling of Structurally Constrained Graphs [44.28728853270471]
  ConStructは、グラフ拡散モデルが平面性や非巡回性といった特定の性質に厳しい制約を組み込むことを可能にする新しいフレームワークである。 我々のアプローチは、サンプルグラフが、前と逆の両方の過程において、軌跡全体を通して指定された性質を満たすグラフの領域内にあることを保証します。
  論文  参考訳（メタデータ） (2024-06-25T07:54:32Z)
• 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)
• 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。