PolyGraph 偏差：基于分类器的图生成评估指标
机器学习
2026-03-18 v2 机器学习
摘要
现有图生成模型的评估方法主要依赖基于图描述符的最大均值偏差（MMD）指标。虽然这些指标可以对生成模型进行排序，但不能提供绝对的性能度量。其值也高度依赖外在参数，即核函数和描述符参数化，使得不同图描述符之间的比较变得不可比。我们引入 PolyGraph 偏差（PGD），一个新的评估框架，旨�解决这些局限性。它通过拟合二元分类器来区分真实图和生成图（由这些描述符特征化），来近似图分布的 Jensen-Shannon 距离。这些分类器的数据对数似然度近似地估计了两个分布之间 JS 距离的变分下界。结果指标受到单位区间 [0,1] 的约束，并且在不同图描述符之间可比。我们进一步推导出一个在理论上有据可循的概括指标，将这些单个指标组合在一起，为给定描述符的距离提供一个 maximally tight（最大紧密）下界。广泛实验表明，PGD 在评估方面比 MMD 指标更稳健、更具洞察力。PolyGraph 框架用于基准测试图生成模型已在 https://github.com/BorgwardtLab/polygraph-benchmark 上公开。
关键词
引用
@article{arxiv.2510.06122,
title = {PolyGraph Discrepancy: a classifier-based metric for graph generation},
author = {Markus Krimmel and Philip Hartout and Karsten Borgwardt and Dexiong Chen},
journal= {arXiv preprint arXiv:2510.06122},
year = {2026}
}
备注
Camera-ready version published at ICLR 2026