GraViti：基于松弛置换不变性的图层变分自编码器
机器学习
2026-05-19 v1 人工智能
摘要
我们介绍了 GraViti，这是一个基于变分自编码器的图层模型，将整个图映射到紧凑的潜在向量。该设计产生一个真正的图层潜在空间，支持平滑插值、属性导向搜索以及其他衍生任务，超越节点级嵌入的限制。在分子基准测试中，GraViti 学习如何解码遵循训练数据中化学约束的有效样本，表明该模型能够从图层表示中直接恢复领域规则。我们还指出，在诸如分子或贝叶斯网络等存在可靠标准节点排序的领域中，强制置换不变性可能会对一致的重建产生不利影响。GraViti 在大型数据集上实现了最先进的重建精度，提供了稳健的生成性能。其单步解码提供了一种轻量级替代方案，相对于更复杂的生成管道，同时保持实际的样本质量。
引用
@article{arxiv.2605.16668,
title = {GraViti: Graph-Level Variational Autoencoders with Relaxed Permutation Invariance},
author = {Roman Bresson and Konstantinos Divriotis and Johannes F. Lutzeyer and Iakovos Evdaimon and Michalis Vazirgiannis},
journal= {arXiv preprint arXiv:2605.16668},
year = {2026}
}