LGDC：基于谱保持细化的潜在图扩散
机器学习
2025-12-02 v1
摘要
图生成是跨学科的关键任务。现有方法大致可分为两类：迭代扩张图的自回归模型，以及一次生成完整图的模型（如扩散模型）。本文对这两种范式进行分析，揭示了关键权衡：自回归模型在捕捉细粒度局部结构（如度和聚类属性）方面表现突出，而一次模型在建模全局模式（如谱分布）方面更为出色。基于此，我们提出LGDC（latent graph diffusion via spectrum-preserving coarsening，即基于谱保持细化的潜在图扩散），一种融合两者优势的混合框架。LGDC 采用谱保持细化-解细化在图与潜在空间之间进行双向映射，利用扩散高效生成潜在图，再通过扩张恢复细节。这种设计在保持效率的同时捕获局部与全局属性。经验上，LGDC 在局部结构数据集（树状图）上与自回归模型持平，在全局结构数据集（平面图、Community-20）上匹配扩散模型，验证了混合生成的优势。
引用
@article{arxiv.2512.01190,
title = {LGDC: Latent Graph Diffusion via Spectrum-Preserving Coarsening},
author = {Nagham Osman and Keyue Jiang and Davide Buffelli and Xiaowen Dong and Laura Toni},
journal= {arXiv preprint arXiv:2512.01190},
year = {2025}
}