論文の概要: WL-SeqVAE: Sequence-Based Graph Generation Using Variational Autoencoders and Weisfeiler-Leman Colors
- arxiv url: http://arxiv.org/abs/2610.32650v1
- Date: Fri, 23 Oct 2026 13:58:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.537203
- Title: WL-SeqVAE: Sequence-Based Graph Generation Using Variational Autoencoders and Weisfeiler-Leman Colors
- Title（参考訳）: WL-SeqVAE:変分オートエンコーダとWeisfeiler-Leman色を用いたシーケンスベースグラフ生成
- Abstract要約: グラフを生成するシーケンスベースの変分自動エンコーダであるWL-SeqVAEを紹介する。
Weisfeiler-Lemanアルゴリズムによって誘導されるノード色は、局所グラフ構造のコンパクトな離散的な要約を提供する。
分子および一般グラフ生成タスクにおけるWL-SeqVAEの評価を行った。
- 参考スコア（独自算出の注目度）: 20.542712849523433
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we introduce WL-SeqVAE, a sequence-based variational autoencoder for generating graphs. The key observation behind WL-SeqVAE is that node colors induced by the Weisfeiler-Leman (WL) algorithm provide compact discrete summaries of local graph structure and can therefore serve as structural tokens for generation. Rather than learning a distribution over adjacency matrices directly, our method maps each graph to a sequence of WL colors and employs a variational autoencoder that encodes this sequence into a Gaussian latent distribution, from which an autoregressive decoder reconstructs the graph. During generation, compatibility constraints derived from the WL colors guide node and edge predictions, combining global information from the latent representation with local structural consistency. This formulation turns graph generation into a sequence generation problem and avoids directly parameterizing a quadratic adjacency matrix. We evaluate WL-SeqVAE on molecular and general graph generation tasks. Across the evaluated datasets, WL-SeqVAE is competitive with established baselines on several local structural and molecular quality metrics. Code is available at https://github.com/iakovosevdaimon/WL-SeqVAE
- Abstract（参考訳）: 本稿では,グラフを生成するシーケンスベースの変分自動エンコーダWL-SeqVAEを紹介する。
WL-SeqVAE の背後にある重要な観測は、Weisfeiler-Leman (WL) アルゴリズムによって誘導されるノード色が局所グラフ構造のコンパクトな離散和を提供し、従って生成のための構造トークンとして機能するということである。
本手法では,隣接行列上の分布を直接学習するのではなく,各グラフをWL色の列にマッピングし,このシーケンスをガウス潜在分布に符号化する変分オートエンコーダを用いて,自己回帰デコーダがグラフを再構成する。
生成中、WL色誘導ノードとエッジ予測から導かれる互換性制約は、潜在表現からのグローバル情報と局所的な構造整合性を組み合わせたものである。
この定式化はグラフ生成をシーケンス生成問題に変換し、二次隣接行列を直接パラメータ化するのを避ける。
分子および一般グラフ生成タスクにおけるWL-SeqVAEの評価を行った。
評価されたデータセット全体において、WL-SeqVAEはいくつかの局所構造および分子品質指標の確立されたベースラインと競合する。
コードはhttps://github.com/iakovosevdaimon/WL-SeqVAEで入手できる。
関連論文リスト
- SNACK: A Sequential Notation Framework for Probabilistic Graph Generation [27.468149471207244]
SNACKは確率グラフ生成のための文字列表現である。
グラフは、下三角形の隣接行列の 0 でない成分を符号化することによって線型化する。
また、ノード順序の対称性を明示的に説明することで、文字列ベースのGFlowNetのトレーニングを可能にする。
論文 参考訳（メタデータ） (2026-10-14T08:30:23Z) - A Weisfeiler-Leman Characterization of Global-Attention Graph Transformers for Mixed-Integer Linear Programs [11.365651352111769]
世界的注目を集めるグラフ基礎モデル(GFM)は、混合整数線形プログラム(MILP)の表現に益々使われている。
グラフアイソモーフィズムテストにより,それらの表現力について検討し,どのMILPインスタンスを同一表現にマッピングするかを問う。
論文 参考訳（メタデータ） (2026-07-20T05:29:42Z) - Generative Diffusion Models of Stochastic Graph Signals [74.4097723209053]
本稿では,条件付きグラフ信号生成モデルの問題に取り組み,単一の拡散フレームワークを用いてそれらに取り組む。
グラフトポロジとノード機能側情報に基づいて直接条件付きグラフ信号を描画するグラフニューラルネットワーク(GNN)によりパラメータ化された逆拡散過程を学習する。
本稿では,株価予測と最適無線リソース割り当てという2つの生成課題について,両領域で広範囲に数値計算を行った。
論文 参考訳（メタデータ） (2026-07-07T22:02:13Z) - AGE: Adaptive-masking for Graph Embedding in Graph Retrieval-Augmented Generation [3.6194630559312113]
GraphRAGは検索拡張生成(RAG)の拡張であり、グラフ構造化データを外部知識として参照することで、大きな言語モデル(LLM)をサポートする。
グラフ埋め込み(AGE)のAdaptive-maskingを導入することでこの問題に対処する。
AGEでは、マスクベースの自己教師型学習(SSL)アプローチでTransformerを採用している。
論文 参考訳（メタデータ） (2026-06-30T01:23:09Z) - Graph Tokenization for Bridging Graphs and Transformers [22.184950064615403]
本稿では,グラフの逐次表現を生成するグラフトークン化フレームワークを提案する。
この研究は、グラフ構造化データとシーケンスモデルのエコシステムの間のギャップを埋める。
論文 参考訳（メタデータ） (2026-03-11T08:57:10Z) - Semi-supervised Instruction Tuning for Large Language Models on Text-Attributed Graphs [62.544129365882014]
本稿では,SIT-Graph というグラフ学習用セミ教師付きインストラクションチューニングパイプラインを提案する。
SIT-Graphはモデルに依存しず、LSMを予測子として利用するグラフ命令チューニングメソッドにシームレスに統合することができる。
SIT-Graphは、最先端グラフチューニング手法に組み込むと、テキスト分散グラフベンチマークの性能を大幅に向上することを示した。
論文 参考訳（メタデータ） (2026-01-19T08:10:53Z) - Scalable Graph Compressed Convolutions [68.85227170390864]
ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。
グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
論文 参考訳（メタデータ） (2024-07-26T03:14:13Z) - Discrete Graph Auto-Encoder [52.50288418639075]
離散グラフオートエンコーダ(DGAE)という新しいフレームワークを導入する。
まず、置換同変オートエンコーダを用いてグラフを離散潜在ノード表現の集合に変換する。
2番目のステップでは、離散潜在表現の集合をソートし、特別に設計された自己回帰モデルを用いてそれらの分布を学習する。
論文 参考訳（メタデータ） (2023-06-13T12:40:39Z) - 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)
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。