图生成的离散贝叶斯抽样推断
机器学习
2026-04-14 v2 机器学习
摘要
生成图结构数据对于分子生成、知识图谱和网络分析等应用至关重要。然而，其离散且无序的特性使其难以被传统生成模型处理，导致离散扩散和流匹配模型的兴起。本文引入 GraphBSI，一种基于贝叶斯抽样推断（BSI）的新型单步图生成模型。GraphBSI 通过迭代细化对图的信念（在分布参数的连续空间中），自然处理离散结构。进一步，我们将 BSI 表述为随机微分方程（SDE），并推导一族受噪声控制的 SDE，这些 SDE 通过对得分函数的近似，保持边际分布。我们的理论分析进一步揭示了其与贝叶斯流网络和扩散模型之间的联系。最终，在经验评估中，我们在分子和合成图生成上展示了在 Moses 和 GuacaMol 标准基准测试上的领先性能，超越了现有的单步图生成模型。
引用
@article{arxiv.2511.03015,
title = {Discrete Bayesian Sample Inference for Graph Generation},
author = {Ole Petersen and Marcel Kollovieh and Marten Lienen and Stephan Günnemann},
journal= {arXiv preprint arXiv:2511.03015},
year = {2026}
}