要約
離散状態のノイズ除去拡散モデルにより、特に分子ドメインにおけるグラフ生成における最先端のパフォーマンスが実現しました。
最近、それらは連続時間に置き換えられ、逆のプロセスでより柔軟になり、サンプリング効率と品質の間のより良いトレードオフが可能になりました。
ここでは、両方のアプローチの利点を活用するために、グラフ データを連続時間拡散モデル フレームワークに統合する連続時間離散状態グラフ拡散モデル Cometh を提案します。
我々は、連続時間を積分すると、分子および非分子のベンチマーク データセットの大規模なセットにおける最先端の離散状態拡散モデルに比べて、さまざまな指標にわたって大幅な改善がもたらされることを経験的に示しています。
要約(オリジナル)
Discrete-state denoising diffusion models led to state-of-the-art performance in graph generation, especially in the molecular domain. Recently, they have been transposed to continuous time, allowing more flexibility in the reverse process and a better trade-off between sampling efficiency and quality. Here, to leverage the benefits of both approaches, we propose Cometh, a continuous-time discrete-state graph diffusion model, integrating graph data into a continuous-time diffusion model framework. Empirically, we show that integrating continuous time leads to significant improvements across various metrics over state-of-the-art discrete-state diffusion models on a large set of molecular and non-molecular benchmark datasets.
arxiv情報
著者 | Antoine Siraudin,Fragkiskos D. Malliaros,Christopher Morris |
発行日 | 2024-06-10 16:39:39+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google