論文の概要: xVGAE: A Hierarchical Variational Graph Autoencoder for Exchangeable Graphs

• arxiv url: http://arxiv.org/abs/2610.30815v1
• Date: Thu, 22 Oct 2026 06:41:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.238984
• Title: xVGAE: A Hierarchical Variational Graph Autoencoder for Exchangeable Graphs
• Title（参考訳）: xVGAE:交換可能なグラフのための階層的変分グラフオートエンコーダ
• Abstract要約: 本稿では,最先端モデルと競合する品質を実現するための生成アーキテクチャを提案する。 我々のアプローチはアルドゥス・フーバーの定理(Aldous-Hoover theorem)に着想を得ており、これは古典的な表現定理であり、ノードの指数の置換に不変あるいは交換可能なグラフの確率分布を特徴づけるものである。 グラフのトレーニングセットが与えられた場合、交換可能な変動グラフオートエンコーダは、グラフレベルおよびノードレベルの潜在変数と同様に、基礎となるグラフへの近似を学習する。
• 参考スコア（独自算出の注目度）: 7.646713951724011
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Graphs play a crucial role in many applications, ranging from drug discovery to social network modeling and astronomy. Generative models for graphs have substantially advanced in recent years, but we identify relatively simple scenarios where state-of-the-art models struggle to converge within a standard compute budget, or exhibit prohibitively slow generation times. We propose a generative architecture that achieves quality competitive with state-of-the-art models and is orders of magnitude faster at generation. Our approach is inspired by the Aldous-Hoover theorem, a classic representation theorem that characterizes any probability distribution of graphs that is invariant to permutations of node indices or exchangeable. This theorem establishes that three ingredients suffice: a graph-level latent variable, a set of exchangeable node-specific latent variables, and a so-called graphon function that maps graph- and node-level variables to the probability of an edge between any node pair. Given a training set of graphs, our exchangeable Variational Graph AutoEncoder (xVGAE) learns an approximation to their underlying graphons, as well as graph- and node-level latent variables. We show that our xVGAE encodes latent representations that correlate with graph- and node-level properties, and can (quickly, in one shot) generate new graphs that closely match key training set statistics.
• Abstract（参考訳）: グラフは、薬物発見からソーシャルネットワークのモデリング、天文学まで、多くの応用において重要な役割を担っている。 グラフの生成モデルは近年大きく進歩しているが、最先端のモデルが標準の計算予算に収まるのに苦労する比較的単純なシナリオを特定できる。 本稿では,最先端モデルと競合する品質を実現するための生成アーキテクチャを提案する。 我々のアプローチはアルドゥス・フーバーの定理(Aldous-Hoover theorem)に着想を得ており、これは古典的な表現定理であり、ノードの指数の置換に不変あるいは交換可能なグラフの確率分布を特徴づけるものである。 この定理は、グラフレベル潜在変数、交換可能なノード固有の潜在変数の集合、グラフレベル変数とノードレベルの変数を任意のノードペア間のエッジの確率にマッピングするいわゆるグラモン関数の3つの要素が十分であることを示す。 グラフのトレーニングセットが与えられた場合、交換可能な変分グラフオートエンコーダ(xVGAE)は、グラフレベルおよびノードレベルの潜在変数と同様に、基礎となるグラフへの近似を学習する。 我々のxVGAEは、グラフやノードレベルの特性と相関する潜在表現を符号化し、キートレーニングセットの統計と密接に一致する新しいグラフを生成できることを示します。

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)
• 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)
• Neural Graph Generator: Feature-Conditioned Graph Generation using Latent Diffusion Models [22.794561387716502]
  グラフ生成に条件付き潜在拡散モデルを利用する新しい手法であるニューラルグラフ生成器(NGG)を導入する。 NGGは複雑なグラフパターンをモデル化し、グラフ生成プロセスの制御を提供する。
  論文  参考訳（メタデータ） (2024-03-03T15:28:47Z)
• GraphGDP: Generative Diffusion Processes for Permutation Invariant Graph Generation [43.196067037856515]
  グラフ生成モデルは生物学、化学、社会科学に広く応用されている。 現在の先行自己回帰モデルは、グラフの置換不変性を取り込むことができない。 置換不変グラフ生成のための連続時間生成拡散プロセスを提案する。
  論文  参考訳（メタデータ） (2022-12-04T15:12:44Z)
• Graph Generative Model for Benchmarking Graph Neural Networks [73.11514658000547]
  本稿では,プライバシ制御により実世界のグラフの分布を学習し,再現する新しいグラフ生成モデルを提案する。 我々のモデルは、GNNモデルのベンチマークに効果的に使用できる大規模な実世界のグラフの、プライバシ制御された合成代用をうまく生成することができる。
  論文  参考訳（メタデータ） (2022-07-10T06:42:02Z)
• Learning Graphon Autoencoders for Generative Graph Modeling [91.32624399902755]
  Graphonは任意のサイズでグラフを生成する非パラメトリックモデルであり、グラフから簡単に誘導できる。 解析可能でスケーラブルなグラフ生成モデルを構築するために,textitgraphon autoencoder という新しいフレームワークを提案する。 線形グルーポン分解モデルはデコーダとして機能し、潜在表現を活用して誘導されたグルーポンを再構成する。
  論文  参考訳（メタデータ） (2021-05-29T08:11:40Z)
• Dirichlet Graph Variational Autoencoder [65.94744123832338]
  本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。 バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
  論文  参考訳（メタデータ） (2020-10-09T07:35:26Z)
• Permutation Invariant Graph Generation via Score-Based Generative Modeling [114.12935776726606]
  本稿では,最近のスコアベース生成モデルを用いて,グラフモデリングにおける置換不変手法を提案する。 特に、入力グラフにおけるデータ分布の勾配をモデル化するために、置換同変のマルチチャネルグラフニューラルネットワークを設計する。 グラフ生成では、我々の学習アプローチはベンチマークデータセット上の既存のモデルよりも良い、あるいは同等の結果を得る。
  論文  参考訳（メタデータ） (2020-03-02T03:06:14Z)
• The Power of Graph Convolutional Networks to Distinguish Random Graph Models: Short Version [27.544219236164764]
  グラフ畳み込みネットワーク(GCN)はグラフ表現学習において広く使われている手法である。 サンプルグラフの埋め込みに基づいて異なるランダムグラフモデルを区別するGCNのパワーについて検討する。
  論文  参考訳（メタデータ） (2020-02-13T17:58:42Z)

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。