图信号生成扩散模型

我们提出用于基于去噪扩散过程的随机图信号生成的 U 型编码器-解码器图神经网络 (U-GNN)。该架构通过跨越编码器和解码器路径的跳跃连接，在不同分辨率上学习节点特征，类似于用于图像生成的卷积 U-Net。U-GNN 采用一种利用零填充且避免任意图 coarsening 的池化操作，并在其上层叠加图卷积以捕获局部依赖性。该技术允许学习在架构更深层次上对抽样节点所需的特征嵌入，这些嵌入仍针对原始图保持卷积性。应用于股票价格预测——其中确定性预测难以捕捉至关重要的不确定性和尾部事件——我们展示了扩散模型在股票价格概率预测中的有效性。