Generative Modeling of Graphs via Joint Diffusion of Node and Edge Attributes

要約

グラフ生成は、さまざまな工学および科学分野に不可欠です。
それにもかかわらず、既存の方法論はエッジ属性の生成を見落とす傾向があります。
ただし、エッジ属性が不可欠な重要なアプリケーションを特定するため、そのような状況では従来の方法が潜在的に不適切になる可能性があります。
さらに、些細な適応は利用可能ですが、グラフのコンポーネント間の相互作用を適切にモデル化していないため、経験的調査によりその有効性が限られていることが明らかになりました。
これに対処するために、すべてのグラフコンポーネントを考慮したグラフ生成のためのノードとエッジの結合スコアベースのモデルを提案します。
私たちのアプローチは 2 つの重要な新規性を提供します。(i) ノード属性とエッジ属性は、2 つの成分に基づいてサンプルを生成するアテンション モジュールで結合されます。
(ii) ノード、エッジ、および隣接関係の情報は、グラフ拡散プロセス中に相互に依存します。
私たちは、エッジ特徴が重要である現実世界のデータセットと合成データセットを含む、挑戦的なベンチマークで私たちの手法を評価します。
さらに、エッジ値を組み込んだ新しい合成データセットを導入します。
さらに、グラフとして表現される交通シーンの生成という、その性質によりこの方法から大きな恩恵を受ける新しいアプリケーションを提案します。
私たちの方法は他のグラフ生成方法よりも優れており、エッジ関連の測定において大きな利点を示しています。

要約(オリジナル)

Graph generation is integral to various engineering and scientific disciplines. Nevertheless, existing methodologies tend to overlook the generation of edge attributes. However, we identify critical applications where edge attributes are essential, making prior methods potentially unsuitable in such contexts. Moreover, while trivial adaptations are available, empirical investigations reveal their limited efficacy as they do not properly model the interplay among graph components. To address this, we propose a joint score-based model of nodes and edges for graph generation that considers all graph components. Our approach offers two key novelties: (i) node and edge attributes are combined in an attention module that generates samples based on the two ingredients; and (ii) node, edge and adjacency information are mutually dependent during the graph diffusion process. We evaluate our method on challenging benchmarks involving real-world and synthetic datasets in which edge features are crucial. Additionally, we introduce a new synthetic dataset that incorporates edge values. Furthermore, we propose a novel application that greatly benefits from the method due to its nature: the generation of traffic scenes represented as graphs. Our method outperforms other graph generation methods, demonstrating a significant advantage in edge-related measures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google