Random Walk Diffusion for Efficient Large-Scale Graph Generation

要約

グラフ生成は、現実世界のグラフと同様のデータ分布を持つ新しいグラフを生成するという問題に対処します。
これまでの拡散ベースのグラフ生成方法は有望な結果を示してきましたが、多くの場合、大きなグラフに拡張するのに苦労します。
この研究では、効率的に大規模なグラフを生成するための新しいランダム ウォーク ベースの拡散アプローチである ARROW-Diff (AutoRegressive RanDOm Walk Diffusion) を提案します。
私たちの方法には、ランダム ウォーク サンプリングとグラフ プルーニングの反復プロセスの 2 つのコンポーネントが含まれます。
ARROW-Diff が大きなグラフに効率的に拡張でき、生成時間と複数のグラフ統計の両方の点で他のベースライン手法を上回り、生成されたグラフの高品質を反映していることを実証します。

要約(オリジナル)

Graph generation addresses the problem of generating new graphs that have a data distribution similar to real-world graphs. While previous diffusion-based graph generation methods have shown promising results, they often struggle to scale to large graphs. In this work, we propose ARROW-Diff (AutoRegressive RandOm Walk Diffusion), a novel random walk-based diffusion approach for efficient large-scale graph generation. Our method encompasses two components in an iterative process of random walk sampling and graph pruning. We demonstrate that ARROW-Diff can scale to large graphs efficiently, surpassing other baseline methods in terms of both generation time and multiple graph statistics, reflecting the high quality of the generated graphs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google