NVDiff：通过节点向量扩散进行图生成
机器学习
2023-06-21 v2
摘要
学习生成图具有挑战性，因为图是一组成对连接、无序的节点，编码了复杂的组合结构。近来，若干工作提出了基于归一化流或基于分数的扩散模型的图生成模型。然而，这些模型需要从同一过程并行生成节点和边，其维度不必要地高。我们提出NVDiff，它采用VGAE结构并使用基于分数的生成模型（SGM）作为灵活先验来采样节点向量。通过在潜空间仅对节点向量建模，NVDiff显著降低了扩散过程的维度，从而提升采样速度。在NVDiff框架基础上，我们引入一种基于注意力的分数网络，能够捕捉图的局部与全局上下文。实验表明，NVDiff显著减少计算量，并能建模比对比方法大得多的图。同时，在多个数据集上，它相比以往方法取得了更优或具竞争力的性能。
引用
@article{arxiv.2211.10794,
title = {NVDiff: Graph Generation through the Diffusion of Node Vectors},
author = {Xiaohui Chen and Yukun Li and Aonan Zhang and Li-Ping Liu},
journal= {arXiv preprint arXiv:2211.10794},
year = {2023}
}