离散图生成是否需要高度表达的编码器？
机器学习
2026-03-11 v1 人工智能
摘要
离散图生成已成为建模图数据的数据建模范式，常依赖如变换器或更高阶架构等高度表达的神经网络 Backbone。我们通过引入 GenGNN，一种用于图生成的模块化消息传递框架来重新审视这一设计选择。使用 GenGNN 的扩散模型在 Tree 和 Planar 数据集上实现超过 90% 的有效性，在图变换器水平内，却实现 2-5 倍的更快推理速度。对于分子生成，采用 GenGNN 作为 Backbone 的 DiGress 实现 99.49% 的有效性。一项系统性消融研究显示，GenGNN 的每个组件都提供的益处，表明在复杂图结构上需要残差连接来缓解过度平滑。通过扩展分析，我们应用一种原则性的度量空间视角来探讨所学习的扩散表示，揭示 GNN 是否可以是离散扩散的高度表达神经网络 Backbone。
引用
@article{arxiv.2603.08825,
title = {Are Expressive Encoders Necessary for Discrete Graph Generation?},
author = {Jay Revolinsky and Harry Shomer and Jiliang Tang},
journal= {arXiv preprint arXiv:2603.08825},
year = {2026}
}
备注
25 pages, 15 figures, 10 tables