SeaDAG: Semi-autoregressive Diffusion for Conditional Directed Acyclic Graph Generation

要約

有向非巡回グラフ (DAG) の条件付き生成のための半自己回帰拡散モデルである SeaDAG を紹介します。
固有の層ごとの構造を考慮して、層ごとに異なるノイズ除去速度を設計することにより、層ごとの自己回帰生成をシミュレートします。
グローバルなグラフ構造ビューを持たない従来の自己回帰生成とは異なり、私たちの方法は各拡散ステップで完全なグラフ構造を維持し、完全なグラフ構造を必要とするプロパティ制御などの操作を可能にします。
この機能を利用して、グラフ プロパティ デコーダーを使用してトレーニング中に DAG プロパティを評価します。
条件損失を伴うグラフ条件付けを学習するようにモデルを明示的にトレーニングします。これにより、現実的で指定されたプロパティに合わせたグラフを生成する拡散モデルの能力が強化されます。
我々は、2 つの代表的な条件付き DAG 生成タスクでメソッドを評価します。(1) 回路機能を実現するには正確な DAG 構造が重要である真理値表からの回路生成、および (2) 量子特性に基づく分子生成です。
私たちのアプローチは有望な結果を示し、特定の条件に厳密に一致する高品質で現実的な DAG を生成します。

要約(オリジナル)

We introduce SeaDAG, a semi-autoregressive diffusion model for conditional generation of Directed Acyclic Graphs (DAGs). Considering their inherent layer-wise structure, we simulate layer-wise autoregressive generation by designing different denoising speed for different layers. Unlike conventional autoregressive generation that lacks a global graph structure view, our method maintains a complete graph structure at each diffusion step, enabling operations such as property control that require the full graph structure. Leveraging this capability, we evaluate the DAG properties during training by employing a graph property decoder. We explicitly train the model to learn graph conditioning with a condition loss, which enhances the diffusion model’s capacity to generate graphs that are both realistic and aligned with specified properties. We evaluate our method on two representative conditional DAG generation tasks: (1) circuit generation from truth tables, where precise DAG structures are crucial for realizing circuit functionality, and (2) molecule generation based on quantum properties. Our approach demonstrates promising results, generating high-quality and realistic DAGs that closely align with given conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google