GLAD：通过简单量化改进潜空间图生成建模
机器学习
2025-02-18 v5 机器学习
摘要
与在原始数据空间上操作的模型相比，在潜空间上学习图生成模型受到的关注较少，且迄今为止表现平平。我们提出了 GLAD，一种潜空间图生成模型。与以往大多数潜空间图生成模型不同，GLAD 在离散潜空间上运行，在很大程度上保留了图结构的离散性质，不做出诸如潜空间连续性等不自然的假设。我们通过将扩散桥适配到离散潜空间的结构来学习其先验。通过在适当构建的潜空间上进行操作，我们避免依赖在原始数据空间模型中常用的分解方法。我们在一系列图基准数据集上进行了实验，证明 GLAD 作为首个等变潜空间图生成方法，实现了与最先进基线模型相媲美的性能。
引用
@article{arxiv.2403.16883,
title = {GLAD: Improving Latent Graph Generative Modeling with Simple Quantization},
author = {Van Khoa Nguyen and Yoann Boget and Frantzeska Lavda and Alexandros Kalousis},
journal= {arXiv preprint arXiv:2403.16883},
year = {2025}
}
备注
AAAI 2025 (Previously accepted at SPIGM ICML 2024 workshop)