CoPHo：基于持久同调的分类器引导条件拓扑生成

拓扑结构在关于性能和鲁棒性的研究中起着重要作用，但可获得的拓扑数据通常稀缺，迫切需要生成具有所需属性的合成图用于测试或发布。先前的扩散方法要么将条件嵌入扩散模型，需要为每个属性重新训练，阻碍了实时应用；要么使用分类器引导方法训练后生成，未能考虑拓扑规模和实际约束。在本文中，我们从离散视角表明，来自预训练图级分类器的梯度可被整合到离散逆扩散后验中，以引导生成以满足指定结构属性。基于此洞见，我们提出了基于持久同调的分类器引导条件拓扑生成框架（CoPHo），其通过在中间图上构建持久同调滤镜，并将特征解释为引导信号，以在每个去噪步骤中引导生成以满足所需属性。在四个通用/网络数据集上的实验表明，CoPHo 在匹配目标指标方面优于现有方法，我们进一步在 QM9 分子数据集上验证了其可迁移性。