GLAD: Improving Latent Graph Generative Modeling with Simple Quantization

要約

グラフの潜在構造の探索は、グラフ生成研究分野ではあまり注目されていません。
しかし、潜在空間を活用することは、グラフなどの離散データのデータ空間を扱うのと同じくらい重要です。
しかし、以前の方法では、グラフの順列対称性を維持できなかったり、潜在空間内で適切にモデル化するための効果的なアプローチが欠けていました。
これらの問題を軽減するために、シンプルでありながら効果的な離散潜在グラフ拡散生成モデルを提案します。
私たちのモデル、つまり GLAD は、既存の潜在的なアプローチの欠点を克服するだけでなく、グラフ空間に適用される拡散法に存在する固有の問題も軽減します。
私たちは分子ベンチマーク データセットで生成モデルを検証し、最先端のベースラインと比較して競争力のあるパフォーマンスを実証します。

要約(オリジナル)

Exploring the graph latent structures has not garnered much attention in the graph generative research field. Yet, exploiting the latent space is as crucial as working on the data space for discrete data such as graphs. However, previous methods either failed to preserve the permutation symmetry of graphs or lacked an effective approaches to model appropriately within the latent space. To mitigate those issues, we propose a simple, yet effective discrete latent graph diffusion generative model. Our model, namely GLAD, not only overcomes the drawbacks of existing latent approaches, but also alleviates inherent issues present in diffusion methods applied on the graph space. We validate our generative model on the molecular benchmark datasets, on which it demonstrates competitive performance compared with the state-of-the-art baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google