等变去噪器无法复制图结构：为图扩散模型对齐
机器学习
2025-06-10 v2 定量方法
摘要
图扩散模型在图生成建模中占主导地位，但在图到图翻译任务（如化学反应预测）中仍属未充分探索的领域。我们展示标准的置换等变去噪器在这些任务中面临根本性限制，原因是其无法打破噪声输入中的对称性。为此，我们提出通过对齐输入图和目标图来打破输入对称性，同时保持非匹配图部分的置换等变性。以 retrosynthesis（即预测给定目标分子合成前体的任务）为应用领域，我们展示对齐显著提高了离散扩散模型性能，从 5% 提升至匹配 SOTA 的 54.7% 的 top-1 准确率。代码已公开于 https://github.com/Aalto-QuML/DiffAlign。
引用
@article{arxiv.2405.17656,
title = {Equivariant Denoisers Cannot Copy Graphs: Align Your Graph Diffusion Models},
author = {Najwa Laabid and Severi Rissanen and Markus Heinonen and Arno Solin and Vikas Garg},
journal= {arXiv preprint arXiv:2405.17656},
year = {2025}
}
备注
Accepted at ICLR 2025. Code available at https://github.com/Aalto-QuML/DiffAlign