DiGress：用于图生成的离散去噪扩散模型
机器学习
2023-05-24 v4
摘要
本工作介绍了 DiGress，一种用于生成具有类别化节点和边属性的图的离散去噪扩散模型。我们的模型利用离散扩散过程，通过添加或移除边以及改变类别，逐步用噪声编辑图。一个图 transformer 网络被训练来逆转这一过程，将图上的分布学习问题简化为一系列节点和边分类任务。我们通过引入一个在扩散过程中保持节点和边类型的边际分布的马尔可夫噪声模型，并结合辅助图论特征，进一步提升了样本质量。还提出了一种基于图级特征对生成进行条件化的方法。DiGress 在分子和非分子数据集上达到了最先进的性能，在平面图数据集上有效性提升高达 3 倍。它也是首个无需使用分子特定表示即可扩展到包含 130 万类药分子的 GuacaMol 大型数据集的模型。
引用
@article{arxiv.2209.14734,
title = {DiGress: Discrete Denoising diffusion for graph generation},
author = {Clement Vignac and Igor Krawczuk and Antoine Siraudin and Bohan Wang and Volkan Cevher and Pascal Frossard},
journal= {arXiv preprint arXiv:2209.14734},
year = {2023}
}
备注
22 pages. Published as a conference paper at ICLR 2023