Efficient and Degree-Guided Graph Generation via Discrete Diffusion Modeling

要約

拡散ベースの生成グラフ モデルは、高品質の小さなグラフを生成するのに効果的であることが証明されています。
ただし、グラフ統計を必要とする数千のノードを含む大規模なグラフを生成するには、よりスケーラブルである必要があります。
この研究では、大規模なグラフを使用した生成タスクに対処する、新しい拡散ベースの生成グラフ モデルである EDGE を提案します。
計算効率を向上させるために、各タイム ステップでエッジをランダムに削除し、最終的に空のグラフを取得する離散拡散プロセスを使用して、グラフのスパース性を促進します。
EDGE は、各ノイズ除去ステップでグラフ内のノードの一部のみに焦点を当てます。
以前の拡散ベースのモデルよりもはるかに少ないエッジ予測を行います。
さらに、EDGE ではグラフのノード次数を明示的にモデル化できるため、モデルのパフォーマンスがさらに向上します。
実証研究では、EDGE が競合する方法よりもはるかに効率的で、数千のノードを含む大規模なグラフを生成できることが示されています。
また、生成品質においてベースライン モデルよりも優れています。つまり、私たちのアプローチによって生成されたグラフは、トレーニング グラフのグラフ統計とより類似したグラフ統計を持ちます。

要約(オリジナル)

Diffusion-based generative graph models have been proven effective in generating high-quality small graphs. However, they need to be more scalable for generating large graphs containing thousands of nodes desiring graph statistics. In this work, we propose EDGE, a new diffusion-based generative graph model that addresses generative tasks with large graphs. To improve computation efficiency, we encourage graph sparsity by using a discrete diffusion process that randomly removes edges at each time step and finally obtains an empty graph. EDGE only focuses on a portion of nodes in the graph at each denoising step. It makes much fewer edge predictions than previous diffusion-based models. Moreover, EDGE admits explicitly modeling the node degrees of the graphs, further improving the model performance. The empirical study shows that EDGE is much more efficient than competing methods and can generate large graphs with thousands of nodes. It also outperforms baseline models in generation quality: graphs generated by our approach have more similar graph statistics to those of the training graphs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google