HiGeN: Hierarchical Multi-Resolution Graph Generative Networks

要約

実世界のドメインでは、ほとんどのグラフが自然に階層的な構造を示している。しかし、データ駆動型のグラフ生成では、このような構造を効果的に捉えることはまだできていない。そこで我々は、階層構造の各レベルにおける学習データ分布に適合したコミュニティ構造を、複数の解像度で再帰的に生成する新しいアプローチを提案する。グラフの生成は、粗い生成モデルから細かい生成モデルのシーケンスとして設計されており、すべてのサブ構造の並列生成が可能であるため、高いスケーラビリティを実現している。さらに、エッジの出力分布をより表現力の高い多項分布でモデル化し、この分布の再帰的因数分解を導出することで、グラフ生成モデルに適した選択をしている。これにより、整数値のエッジ重みを持つグラフを生成することができる。本手法は、複数のデータセットにおいて、精度と効率の両面で最先端の性能を達成した。

要約(オリジナル)

In real world domains, most graphs naturally exhibit a hierarchical structure. However, data-driven graph generation is yet to effectively capture such structures. To address this, we propose a novel approach that recursively generates community structures at multiple resolutions, with the generated structures conforming to training data distribution at each level of the hierarchy. The graphs generation is designed as a sequence of coarse-to-fine generative models allowing for parallel generation of all sub-structures, resulting in a high degree of scalability. Furthermore, we model the output distribution of edges with a more expressive multinomial distribution and derive a recursive factorization for this distribution, making it a suitable choice for graph generative models. This allows for the generation of graphs with integer-valued edge weights. Our method achieves state-of-the-art performance in both accuracy and efficiency on multiple datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL