Neural Graph Generator: Feature-Conditioned Graph Generation using Latent Diffusion Models

要約

グラフ生成は機械学習における重要なタスクとして浮上しており、特定のプロパティを正確に反映するグラフを生成するには大きな課題があります。
既存の方法は、グラフ プロパティの高次元の複雑さと多様な性質に対処するため、このニーズに効率的に対処することができないことがよくあります。
この論文では、グラフ生成に条件付き潜在拡散モデルを利用する新しいアプローチであるニューラル グラフ ジェネレーター (NGG) を紹介します。
NGG は、複雑なグラフ パターンをモデル化する優れた能力を実証し、グラフ生成プロセスの制御を提供します。
NGG は、グラフ統計を要約するベクトルによって導かれる、潜在ベクトル空間でのグラフ圧縮と拡散プロセスに変分グラフ オートエンコーダを採用しています。
さまざまなグラフ生成タスクにわたる NGG の多用途性を実証し、必要なグラフのプロパティを取得し、目に見えないグラフに一般化する機能を示します。
また、ジェネレーターをさまざまな LLM のグラフ生成機能と比較します。
この取り組みは、グラフ生成方法論の変化を意味し、特定の特性を持つ多様なグラフを生成するためのより実用的で効率的なソリューションを提供します。

要約(オリジナル)

Graph generation has emerged as a crucial task in machine learning, with significant challenges in generating graphs that accurately reflect specific properties. Existing methods often fall short in efficiently addressing this need as they struggle with the high-dimensional complexity and varied nature of graph properties. In this paper, we introduce the Neural Graph Generator (NGG), a novel approach which utilizes conditioned latent diffusion models for graph generation. NGG demonstrates a remarkable capacity to model complex graph patterns, offering control over the graph generation process. NGG employs a variational graph autoencoder for graph compression and a diffusion process in the latent vector space, guided by vectors summarizing graph statistics. We demonstrate NGG’s versatility across various graph generation tasks, showing its capability to capture desired graph properties and generalize to unseen graphs. We also compare our generator to the graph generation capabilities of different LLMs. This work signifies a shift in graph generation methodologies, offering a more practical and efficient solution for generating diverse graphs with specific characteristics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google