双曲图扩散模型
机器学习
2024-01-04 v3 人工智能
定量方法
摘要
扩散生成模型（DMs）在图像与图生成中已取得有前景的结果。然而，现实世界中的图，如社交网络、分子图和交通图，通常具有非欧拓扑与隐藏的层次结构。例如，图的程度分布大多为幂律分布。当前的隐扩散模型将层次数据嵌入欧氏空间，这会导致畸变并干扰对分布的建模。相反，由于其指数增长性质，双曲空间已被发现更适于捕捉复杂层次结构。为同时利用扩散模型的数据生成能力与双曲嵌入提取潜在层次分布的能力，我们提出一种称为双曲图扩散模型（HGDM）的新型图生成方法，其由一个将节点编码为连续双曲嵌入的自编码器，以及在双曲潜空间操作的DM组成。HGDM通过构建融合边信息的双曲潜在节点空间来捕捉关键的图结构分布。大量实验表明，HGDM在通用图与分子生成基准上取得更优性能，对于具有高度层次结构的图生成质量提升达。
引用
@article{arxiv.2306.07618,
title = {Hyperbolic Graph Diffusion Model},
author = {Lingfeng Wen and Xuan Tang and Mingjie Ouyang and Xiangxiang Shen and Jian Yang and Daxin Zhu and Mingsong Chen and Xian Wei},
journal= {arXiv preprint arXiv:2306.07618},
year = {2024}
}
备注
accepted by AAAI 2024