Diffusion-based Graph Generative Methods

要約

最も最先端の生成手法である拡散手法は、幅広い生成タスクにおいて大きな進歩を示しています。
中でもグラフ生成は、実生活への幅広い応用が可能なため、研究で大きな注目を集めています。
私たちの調査では、拡散ベースのグラフ生成手法を体系的かつ包括的に検討します。
まず、拡散手法の 3 つの主流パラダイム、つまりノイズ除去拡散確率モデル、スコアベースの生成モデル、確率微分方程式について概説します。
次に、拡散モデルの最新の応用例をさらに分類してグラフで紹介します。
最後に、現在の研究の限界と将来の探査の方向性をいくつか指摘します。
この調査で言及された既存の手法の概要は、https://github.com/zhejiangzhuque/Diffusion-based-Graph-Generative-Methods にあります。

要約(オリジナル)

Being the most cutting-edge generative methods, diffusion methods have shown great advances in wide generation tasks. Among them, graph generation attracts significant research attention for its broad application in real life. In our survey, we systematically and comprehensively review on diffusion-based graph generative methods. We first make a review on three mainstream paradigms of diffusion methods, which are denoising diffusion probabilistic models, score-based genrative models, and stochastic differential equations. Then we further categorize and introduce the latest applications of diffusion models on graphs. In the end, we point out some limitations of current studies and future directions of future explorations. The summary of existing methods metioned in this survey is in https://github.com/zhejiangzhuque/Diffusion-based-Graph-Generative-Methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google