IFH：用于灵活设计图生成模型的扩散框架
机器学习
2024-08-26 v1 机器学习
摘要
图生成模型可分为两大主要类别：一种是一次性生成图，另一种是通过逐次添加节点和边来生成图。理想情况下，这两种极端模型之间应处于一种连续的模型范围，该范围采用不同的程度的序列化。在本文中，我们提出了一种图生成模型，称为插入-填充-停止（Insert-Fill-Halt, IFH），其支持指定序列化程度。IFH基于去噪扩散概率模型（DDPM）理论，设计了一种逐步破坏图的移除过程。插入过程学习如何逆转此移除过程，根据指定的序列化程度插入弧和节点。我们根据不同的序列化程度评估了IFH在质量、运行时间和内存方面的性能。我们还展示了使用DiGress——一种基于扩散的一次性模型——作为IFH中的生成步骤可提升该模型本身的性能，而且与当前最先进的技术相竞争。
引用
@article{arxiv.2408.13194,
title = {IFH: a Diffusion Framework for Flexible Design of Graph Generative Models},
author = {Samuel Cognolato and Alessandro Sperduti and Luciano Serafini},
journal= {arXiv preprint arXiv:2408.13194},
year = {2024}
}
备注
Accepted at the 27th European Conference on Artificial Intelligence (ECAI 24)