Leveraging Graph Diffusion Models for Network Refinement Tasks

要約

現実世界のネットワークのほとんどは、未知のターゲット分布からのノイズが多く不完全なサンプルです。
破損を修正したり、観察されていない領域を推測したりしてそれらを改良すると、通常、ダウンストリームのパフォーマンスが向上します。
画像の破損を修正するために使用されてきた印象的な生成機能と、観察されたグラフに基づいて条件付けされた欠落したノードとエッジを埋めることと「インペインティング」の類似点に触発されて、私たちは新しいグラフ生成フレームワークである SGDM を提案します。
サブグラフ拡散に基づいています。
私たちのフレームワークは、グラフ拡散モデルのスケーラビリティと忠実度を向上させるだけでなく、逆のプロセスを利用して新しい条件付き生成タスクを実行します。
特に、広範な経験的分析と一連の新しいメトリクスを通じて、私たちが提案するモデルが部分的に観測可能なネットワークの次の改良タスクを効果的にサポートしていることを実証します: T1: 無関係なサブグラフのノイズ除去、T2: 既存のサブグラフの拡張、および T3: 「スタイル」転送の実行
別のノードまたはサブグラフの特性に一致するように特定のサブグラフを再生成することによって。

要約(オリジナル)

Most real-world networks are noisy and incomplete samples from an unknown target distribution. Refining them by correcting corruptions or inferring unobserved regions typically improves downstream performance. Inspired by the impressive generative capabilities that have been used to correct corruptions in images, and the similarities between ‘in-painting’ and filling in missing nodes and edges conditioned on the observed graph, we propose a novel graph generative framework, SGDM, which is based on subgraph diffusion. Our framework not only improves the scalability and fidelity of graph diffusion models, but also leverages the reverse process to perform novel, conditional generation tasks. In particular, through extensive empirical analysis and a set of novel metrics, we demonstrate that our proposed model effectively supports the following refinement tasks for partially observable networks: T1: denoising extraneous subgraphs, T2: expanding existing subgraphs and T3: performing ‘style’ transfer by regenerating a particular subgraph to match the characteristics of a different node or subgraph.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google