通过Beta扩散推进图生成
机器学习
2024-10-08 v2 机器学习
摘要
扩散模型在生成自然图像方面表现出色，目前正被应用于包括图在内的多种数据类型。然而，传统模型通常依赖于高斯或分类扩散过程，这些过程难以适应图数据特有的混合离散和连续成分。图通常具有离散结构和连续节点属性，这些属性往往表现出丰富的统计模式，包括稀疏性、有界范围、偏态分布和长尾行为。为了应对这些挑战，我们引入了图Beta扩散（GBD），这是一种专门设计用于处理图数据多样性的生成模型。GBD利用Beta扩散过程，有效地对连续和离散元素进行建模。此外，我们提出了一种调制技术，通过稳定关键图拓扑结构，同时保持其他组件的灵活性，来增强生成图的真实性。GBD在多个通用和生化图基准测试中与现有模型竞争激烈，展示了其捕捉真实世界图数据中离散与连续特征之间复杂平衡的能力。PyTorch代码可在GitHub上获取。
引用
@article{arxiv.2406.09357,
title = {Advancing Graph Generation through Beta Diffusion},
author = {Xinyang Liu and Yilin He and Bo Chen and Mingyuan Zhou},
journal= {arXiv preprint arXiv:2406.09357},
year = {2024}
}