GraphTune: A Learning-based Graph Generative Model with Tunable Structural Features

要約

タイトル: GraphTune: 調整可能な構造特徴を持つ学習ベースのグラフ生成モデル

要約:
– グラフの生成モデルは数十年にわたって活発に研究されており、幅広い応用がある。
– 近年、実世界のグラフを再現する学習ベースのグラフ生成が多くの研究者の注目を集めている。
– いくつかの機械学習技術を利用した生成モデルが提案されているが、一般的なグラフの条件付き生成にはあまり取り組まれていない。
– 本稿では、グローバルレベルの構造特徴を条件として値を調整できる生成モデルを提案する。
– このモデルは、LongShort Term Memory（LSTM）および条件付き変分オートエンコーダー（CVAE）を使用して生成されたグラフの任意の構造特徴の値を調整することができる。
– 実際のグラフデータセットについて、GraphTuneと従来のモデルの比較評価を行った。
– 評価結果により、グラフのグローバルレベルの構造特徴の値をより明確に調整できることがわかった。

要約(オリジナル)

Generative models for graphs have been actively studied for decades, and they have a wide range of applications. Recently, learning-based graph generation that reproduces real-world graphs has been attracting the attention of many researchers. Although several generative models that utilize modern machine learning technologies have been proposed, conditional generation of general graphs has been less explored in the field. In this paper, we propose a generative model that allows us to tune the value of a global-level structural feature as a condition. Our model, called GraphTune, makes it possible to tune the value of any structural feature of generated graphs using Long Short Term Memory (LSTM) and a Conditional Variational AutoEncoder (CVAE). We performed comparative evaluations of GraphTune and conventional models on a real graph dataset. The evaluations show that GraphTune makes it possible to more clearly tune the value of a global-level structural feature better than conventional models.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI