HOG-Diff: Higher-Order Guided Diffusion for Graph Generation

要約

グラフの生成は、経験的な分析には複雑で非系統的な構造を深く理解する必要があるため、重要でありながら挑戦的なタスクです。
拡散モデルは最近、グラフ生成に大きな成果を上げていますが、これらのモデルは通常、画像生成のために設計されたフレームワークから適応し、グラフのトポロジ特性をキャプチャするのに適していません。
この作業では、粗から金融の生成カリキュラムに従い、高次の情報に導かれた新しい高次誘導拡散（Hog-diff）モデルを提案し、固有のトポロジ構造を持つもっともらしいグラフの進行性の生成を可能にします。
さらに、モデルが古典的な拡散フレームワークよりも強力な理論的保証を示すことを証明します。
分子グラフ生成タスクと一般的なグラフ生成タスクの両方での広範な実験は、私たちの方法が一貫して最先端のベースラインと一貫して競争力を維持するか、競争し続けることを示しています。
私たちのコードは、https：//github.com/yimingh/hog-diffで入手できます。

要約(オリジナル)

Graph generation is a critical yet challenging task as empirical analyses require a deep understanding of complex, non-Euclidean structures. Although diffusion models have recently made significant achievements in graph generation, these models typically adapt from the frameworks designed for image generation, making them ill-suited for capturing the topological properties of graphs. In this work, we propose a novel Higher-order Guided Diffusion (HOG-Diff) model that follows a coarse-to-fine generation curriculum and is guided by higher-order information, enabling the progressive generation of plausible graphs with inherent topological structures. We further prove that our model exhibits a stronger theoretical guarantee than classical diffusion frameworks. Extensive experiments on both molecular and generic graph generation tasks demonstrate that our method consistently outperforms or remains competitive with state-of-the-art baselines. Our code is available at https://github.com/Yiminghh/HOG-Diff.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google