基于噪声条件图网络的几何生成模型
机器学习
2025-07-15 v1
摘要
具有空间结构的图生成是计算机图形学到空间基因组学等多个应用领域的关键任务。最近的基于流的生成模型通过逐步添加然后学习去除噪声来取得了令人印象深刻的结果。然而，现有模型使用与噪声水平无关的图神经网络架构，限制了其表达能力。为此，我们引入了噪声条件图网络(NCGN)，这是一类在生成过程中根据噪声水平动态修改其架构的图神经网络。我们的理论和实证分析揭示，随着噪声的增加，(1)图需要来自越远的邻居的信息，(2)图可以在更低的分辨率下有效表示。基于这些见解，我们开发了动态消息传递(DMP)，是 NCGN 的一个具体实例，能够根据噪声水平调整消息传递的范围和分辨率。DMP 在包括 D 点云、时空转录组学和图像在内的多个领域 consistently 优于噪声无关的架构。代码可在 https://github.com/peterpaohuang/ncgn 获取。
引用
@article{arxiv.2507.09391,
title = {Geometric Generative Modeling with Noise-Conditioned Graph Networks},
author = {Peter Pao-Huang and Mitchell Black and Xiaojie Qiu},
journal= {arXiv preprint arXiv:2507.09391},
year = {2025}
}
备注
ICML 2025