图扩散模型能否准确捕获并生成子结构分布？
机器学习
2025-02-05 v1
摘要
扩散模型在图生成任务中已广受欢迎；然而，关于它们能学习的图分布的表达能力程度尚未被完全理解。与其他领域的模型不同，图扩散模型的流行骨干网络，如图 Transformer，并不具备准确建模复杂图数据分布得分的通用表达能力。我们的工作通过关注特定子结构的频率作为目标图分布的关键特征，来解决这一局限性。当使用该指标评估现有模型时，我们发现它们在生成新图时无法维持训练集中观察到的子结构计数分布。为解决此问题，我们在图神经网络（GNN）的表达能力与图扩散模型的整体性能之间建立了理论联系，证明了更具表达力的 GNN 骨干网络能更好地捕获复杂的分布模式。通过将先进的 GNN 集成到骨干架构中，我们在子结构生成方面取得了显著改进。
引用
@article{arxiv.2502.02488,
title = {Do Graph Diffusion Models Accurately Capture and Generate Substructure Distributions?},
author = {Xiyuan Wang and Yewei Liu and Lexi Pang and Siwei Chen and Muhan Zhang},
journal= {arXiv preprint arXiv:2502.02488},
year = {2025}
}
备注
Under Review