論文の概要: H-GLow: Accelerating Graph Generation via Hazard-Guided Discrete Flow Matching

• arxiv url: http://arxiv.org/abs/2610.33599v1
• Date: Sat, 24 Oct 2026 10:52:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.370723
• Title: H-GLow: Accelerating Graph Generation via Hazard-Guided Discrete Flow Matching
• Title（参考訳）: H-GLow:Hazard-Guided Discrete Flow Matchingによるグラフ生成の高速化
• Abstract要約: 本稿では,グラフ生成を高速化するハザード誘導フレームワークであるH-Glowを紹介する。 H-Glowは事前訓練されたグラフDFMモデルに適応することができ、より少ないステップで生成品質を大幅に改善することができる。 また,条件付きジェネレータマッチングフレームワークに基づく新しいグラフDFMモデルを提案する。
• 参考スコア（独自算出の注目度）: 52.424255020469595
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Discrete flow matching (DFM) offers a promising approach to graph generation; however, generating high-quality graphs with few steps remains challenging due to the strong dependencies between nodes and edges. Although DFM decouples training from sampling, enabling flexible sampling strategies without retraining, existing graph DFM samplers often rely on task-specific heuristics, substantially expanding the hyperparameter space. Moreover, graph DFM models still require sampling budgets comparable to those of diffusion-based approaches, leaving their potential for accelerating graph generation only partially realized. In this work, we introduce H-Glow, a hazard-guided framework for accelerating graph generation built on the decomposition of Continuous-Time Markov chain (CTMC) generators into hazards and conditional jump distributions. H-Glow leverages these quantities to plan graph edits and dynamically adjust the sampling time to graph activity. H-Glow can be adapted to pretrained graph DFM models, substantially improving the generation quality with fewer steps. We further introduce a novel graph DFM model based on the conditional generator matching framework, which directly predicts hazards and conditional jumps, and show that its training objective decomposes exactly into hazard matching and hazard-weighted jump prediction. Experiments on molecular and synthetic graph benchmarks demonstrate improved generation quality with substantially fewer sampling steps.
• Abstract（参考訳）: 離散フローマッチング(DFM)はグラフ生成に有望なアプローチを提供するが、ノードとエッジ間の強い依存関係のため、少ないステップで高品質なグラフを生成することは困難である。 DFMはサンプリングからトレーニングを分離し、再トレーニングなしに柔軟なサンプリング戦略を可能にするが、既存のグラフDFMサンプリングはタスク固有のヒューリスティックに依存し、ハイパーパラメータ空間を大幅に拡大する。 さらに、グラフDFMモデルは、拡散に基づくアプローチに匹敵するサンプリング予算を必要としており、グラフ生成の加速の可能性は部分的にのみ実現されている。 本研究では,CTMC(Continuous-Time Markov chain)ジェネレータをハザードと条件付きジャンプ分布に分解したグラフ生成を高速化するためのハザード誘導フレームワークであるH-Glowを紹介する。 H-Glowはこれらの量を利用してグラフ編集を計画し、サンプリング時間をグラフアクティビティに動的に調整する。 H-Glowは事前訓練されたグラフDFMモデルに適応することができ、より少ないステップで生成品質を大幅に改善することができる。 さらに,ハザードとコンディショナルジャンプを直接予測する条件付きジェネレータマッチングフレームワークに基づく新しいグラフDFMモデルを導入し,そのトレーニング目標がハザードマッチングとハザード重み付きジャンプ予測に正確に分解されることを示す。 分子および合成グラフベンチマークの実験では、サンプリングステップを著しく減らして生成品質が向上した。

関連論文リスト

• Efficient Graph Generation via Direct Prediction and Flow Matching [0.0]
  クリーングラフの予測とサンプリング効率の向上という2つの目標に導かれるグラフトランスフォーマーモデルであるダイレクトグラフフローマッチング(DiGFM)を導入する。 DiGFMは、先行するノイズ分布をマルチステッププロセスを介してクリーングラフ分布にマッピングする。 実験により、DiGFMは一般的なグラフベンチマークや分子データセットで、最先端のモデルよりも優れているか、あるいは一致していることが示された。
  論文  参考訳（メタデータ） (2026-10-04T17:32:13Z)
• Fluid-DiT: Graph-Free Diffusion Transformers for Fluid Flow Simulations Learning [50.053186229257555]
  本稿では,グラフメッセージパッシングを注意に基づく認知に置き換えるグラフ自由拡散変換器を提案する。 変換器のグローバルな受容場を利用することで、Fluid-DiTは局所フロー構造と長距離相関の両方を自然に捉える。 サンプルの品質と分布精度の両方において、グラフベースの拡散ベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-08-07T12:28:45Z)
• Perceptual Flow Matching for Few-Step Generative Modeling [64.26537634881244]
  知覚フローマッチング(Perceptual Flow Matching)は、フローマッチングモデルにおいて、数ステップ生成のためのフレームワークである。 PFMは、適切な表現空間で教師される際に、高品質な数ステップジェネレータを生成する。
  論文  参考訳（メタデータ） (2026-07-03T17:55:01Z)
• Graph Energy Matching: Transport-Aligned Energy-Based Modeling for Graph Generation [39.944645380380926]
  グラフエネルギーマッチング(英: Graph Energy Matching、GEM)は、離散拡散モデルとエネルギーベースモデルの間の忠実度ギャップを埋めるグラフのための生成フレームワークである。 GEMは置換不変ポテンシャルエネルギーを学習し、ノイズからデータへのトランスポート整列誘導を同時に提供し、高いデータ可能性の領域内のサンプルを精査する。 サンプルの品質以外にも、相対可能性の明示的なモデリングは、推測時間でのターゲット探索を可能にし、構成生成を容易にし、プロパティ制約されたサンプリング、グラフ間の測地学を可能にする。
  論文  参考訳（メタデータ） (2026-03-24T16:35:25Z)
• Composable Score-based Graph Diffusion Model for Multi-Conditional Molecular Generation [85.58520120011269]
  本研究では,具体的スコアを用いてスコアマッチングを離散グラフに拡張するComposable Score-based Graph Diffusion Model (CSGD)を提案する。 CSGDは従来の手法よりも平均15.3%の制御性向上を実現していることを示す。 本研究は, 離散グラフ生成におけるスコアベースモデリングの実用的利点と, フレキシブルでマルチプロパタイトな分子設計のためのキャパシティを強調した。
  論文  参考訳（メタデータ） (2025-09-11T13:37:56Z)
• 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)
• Towards Fast Graph Generation via Autoregressive Noisy Filtration Modeling [12.737028324709609]
  グラフ生成モデルはしばしば、複雑な分布の学習と高速な生成速度の達成の間に重要なトレードオフに直面します。 本稿では,両課題に対処する新しい手法である自動回帰ノイズフィルタモデリング(ANFM)を紹介する。 ANFMは極めて短いシーケンスを生成し、拡散モデルと比較して100倍の高速化を実現している。
  論文  参考訳（メタデータ） (2025-02-04T15:35:25Z)
• 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。