SaGess：用于可扩展图生成的采样图去噪扩散模型
机器学习
2023-06-30 v1
摘要
近年来，去噪扩散生成模型已被视为合成数据生成的最先进方法，尤其是在图像生成方面。这些方法在其他应用（如表格数据和图数据生成）中也已证明成功。然而，由于计算复杂性，迄今为止这些技术在图数据上的应用仅限于小分子建模等小型图。在本文中，我们提出 SaGess，一种离散去噪扩散方法，它通过用广义分而治之框架增强扩散模型（DiGress），能够生成大型真实世界网络。该算法通过对初始图的子图覆盖进行采样以训练 DiGress，从而生成更大的图。随后，SaGess 利用 DiGress 生成的子图构建合成图。我们通过比较原始样本与合成样本之间的图统计量，以及通过使用合成数据集训练任务驱动模型（即链接预测）来评估合成数据集的效用，将合成数据集的质量与几种竞争方法进行比较。在我们的实验中，SaGess 在图度量和链接预测任务上均以显著优势优于大多数一次性最先进图生成方法。
引用
@article{arxiv.2306.16827,
title = {SaGess: Sampling Graph Denoising Diffusion Model for Scalable Graph Generation},
author = {Stratis Limnios and Praveen Selvaraj and Mihai Cucuringu and Carsten Maple and Gesine Reinert and Andrew Elliott},
journal= {arXiv preprint arXiv:2306.16827},
year = {2023}
}