基于下一尺度预测的特征感知超图生成
机器学习
2025-10-01 v2 离散数学
摘要
图生成模型在分子设计中展现出优异的结果，但难以扩展到大型复杂结构。虽然层次化方法提高了可扩展性，但它们通常忽略节点和边特征，而这些特征在实际应用中至关重要。这一问题在超图中被放大，因为超边捕获多个节点间的高阶关系。尽管超图在三维几何、分子系统和电路设计等领域很重要，但现有的生成模型很少在大规模下同时支持超图和特征生成。在本文中，我们引入了 FAHNES（基于下一尺度预测的特征感知超图生成，feature-aware hypergraph generation via next-scale prediction），这是一个联合生成超图拓扑和特征的层次化框架。FAHNES 通过节点粗化构建多尺度表示，并通过局部扩展对其进行细化，由一种新颖的节点预算机制引导，该机制控制粒度并确保跨尺度的一致性。在合成、三维网格和图点云数据集上的实验表明，FAHNES 在联合生成特征和结构方面达到了最先进的性能，推进了可扩展的超图和图生成。
引用
@article{arxiv.2506.01467,
title = {Feature-aware Hypergraph Generation via Next-Scale Prediction},
author = {Dorian Gailhard and Enzo Tartaglione and Lirida Naviner and Jhony H. Giraldo},
journal= {arXiv preprint arXiv:2506.01467},
year = {2025}
}