IFH: a Diffusion Framework for Flexible Design of Graph Generative Models

要約

グラフ生成モデルは、グラフを一度に生成するワンショット モデルと、ノードとエッジを連続的に追加してグラフを生成する逐次モデルの 2 つの主要なファミリーに分類できます。
理想的には、これら 2 つの極端なモデルの間に、異なるレベルの連続性を採用する連続した範囲のモデルが存在します。
この論文では、シーケンシャル度の指定をサポートする、Insert-Fill-Halt (IFH) と呼ばれるグラフ生成モデルを提案します。
IFH はノイズ除去拡散確率モデル (DDPM) の理論に基づいており、グラフを徐々に破壊するノード削除プロセスを設計します。
挿入プロセスは、指定された順序に従ってアークとノードを挿入することによって、この削除プロセスを逆にすることを学習します。
さまざまな順序性の程度に応じて、品質、実行時間、メモリの観点から IFH のパフォーマンスを評価します。
また、拡散ベースのワンショット モデルである DiGress を IFH の生成ステップとして使用すると、モデル自体の改善につながり、現在の最先端モデルと競合できることも示します。

要約(オリジナル)

Graph generative models can be classified into two prominent families: one-shot models, which generate a graph in one go, and sequential models, which generate a graph by successive additions of nodes and edges. Ideally, between these two extreme models lies a continuous range of models that adopt different levels of sequentiality. This paper proposes a graph generative model, called Insert-Fill-Halt (IFH), that supports the specification of a sequentiality degree. IFH is based upon the theory of Denoising Diffusion Probabilistic Models (DDPM), designing a node removal process that gradually destroys a graph. An insertion process learns to reverse this removal process by inserting arcs and nodes according to the specified sequentiality degree. We evaluate the performance of IFH in terms of quality, run time, and memory, depending on different sequentiality degrees. We also show that using DiGress, a diffusion-based one-shot model, as a generative step in IFH leads to improvement to the model itself, and is competitive with the current state-of-the-art.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google