基于图感知自适应噪声的图到序列事实与编辑敏感生成
计算与语言
2026-04-28 v1
摘要
针对图到序列生成（G2S）中事实 grounding 与编辑敏感性问题，fine-tuned的自回归模型常常难以应对。为此，我们提出一种非自回归扩散框架，通过在输入图的条件下进行迭代细化来生成文本，称为图的扩散语言模型（Diffusion Language Model for Graphs，DLM4G）。通过将图组件（实体/关系）与其对应的序列标记对齐，DLM4G采用自适应噪声策略。该策略使用每个标记去噪误差作为信号，自适应调制实体和关系标记上的噪声，从而提高图结构保留效果，使其在图编辑下实现局部更新。在三个数据集上进行评估，DLM4G在所有竞争性G2S扩散基线（在相同数据划分上训练）中表现一致，无论是基于表面形式还是基于嵌入的指标。DLM4G进一步超过了fine-tuned的自回归基线，提升幅度可达12倍（例如T5-Large），并与零样本LLM迁移基线（规模可达127倍）持果竞争。相对于最强的fine-tuned PLM基线，DLM4G在事实 grounding（[email protected]）上提升5.16%，编辑敏感性（ESR）提升7.9%；相对于最好的扩散基线，[email protected]提升3.75%，ESR提升23.6%。我们还通过在分子描述生成中的实验，表明该方法在科学G2S生成中具有普适性。
关键词
引用
@article{arxiv.2604.24104,
title = {Factual and Edit-Sensitive Graph-to-Sequence Generation via Graph-Aware Adaptive Noising},
author = {Aditya Hemant Shahane and Anuj Kumar Sirohi and Tanmoy Chakraborty and Prathosh A P and Sandeep Kumar},
journal= {arXiv preprint arXiv:2604.24104},
year = {2026}
}