Efficient and Scalable Graph Generation through Iterative Local Expansion

要約

グラフの生成モデルの領域では、広範な研究が行われてきた。しかし、既存の手法の多くは、全てのノード対にまたがる結合分布全体を表現し、大域的なグラフ構造と局所的なグラフ構造の両方を同時に捉えるという複雑さのために、大規模なグラフに対して苦戦を強いられている。このような問題を克服するために、一つのノードを漸進的にターゲットグラフに展開することでグラフを生成する手法を紹介する。各ステップにおいて、ノードと辺はノイズ除去拡散により局所的に追加され、まず大域的構造を構築し、次に局所的な詳細を洗練する。局所的な生成により、全てのノードペアにわたる結合分布全体のモデル化を回避し、マルチスケール生成による高い表現力を維持しつつ、ノード数に対して二次関数以下の実行時間で大幅な計算量削減を達成する。我々の実験は、我々のモデルが、少なくとも5000ノードを持つグラフへのスケーリングに成功しながら、確立されたベンチマークデータセットにおいて最先端の性能を達成することを示している。また、我々の手法は、学習分布外のグラフへの外挿に成功した最初の手法であり、既存の手法よりもはるかに優れた汎化能力を示している。

要約(オリジナル)

In the realm of generative models for graphs, extensive research has been conducted. However, most existing methods struggle with large graphs due to the complexity of representing the entire joint distribution across all node pairs and capturing both global and local graph structures simultaneously. To overcome these issues, we introduce a method that generates a graph by progressively expanding a single node to a target graph. In each step, nodes and edges are added in a localized manner through denoising diffusion, building first the global structure, and then refining the local details. The local generation avoids modeling the entire joint distribution over all node pairs, achieving substantial computational savings with subquadratic runtime relative to node count while maintaining high expressivity through multiscale generation. Our experiments show that our model achieves state-of-the-art performance on well-established benchmark datasets while successfully scaling to graphs with at least 5000 nodes. Our method is also the first to successfully extrapolate to graphs outside of the training distribution, showcasing a much better generalization capability over existing methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL