GGBall：基于球面空间的图生成模型
机器学习
2026-02-20 v2
摘要
生成具有层次结构的图形由于欧几里得几何捕捉指数复杂性的限制，仍是基础性挑战。我们引入 GGBall，一个新型双曲几何框架用于图生成，将几何归纳偏置与现代生成范式相结合。GGBall 将双曲向量量化自编码器 (HVQVAE) 与通过闭形式测地线定义的黎巴涐流匹配先验相结合。该设计使基于流的先验能够建模复杂的隐层分布，而向量量化有助于保留双曲空间中受曲率影响的结构。我们进一步开发了一套双曲 GNN 和 Transformer 层，完全在流形内运作，确保稳定性和可扩展性。经验上，我们的模型在 Community-Small 和 Ego-Small 上分别将度 MMD 降低超过 75% 和 40%，表明在保持拓扑层次结构方面具有更好的能力。这些结果凸显了双曲几何作为复杂结构和层次数据域生成建模强大基础的潜力。我们的代码可在此处获取。
引用
@article{arxiv.2506.07198,
title = {GGBall: Graph Generative Model on Poincar\'e Ball},
author = {Tianci Bu and Chuanrui Wang and Hao Ma and Haoren Zheng and Xin Lu and Tailin Wu},
journal= {arXiv preprint arXiv:2506.07198},
year = {2026}
}
备注
ICLR 2026, 37 pages, 4 figures