SBGD：通过随机块扩散改进图扩散生成模型
机器学习
2025-08-21 v1
摘要
图扩散生成模型（GDGM）已成为生成高质量图的强大工具。然而，它们的更广泛应用面临着可扩展性和尺寸泛化方面的挑战。GDGM难以扩展到大型图，因为它们通常在整个图空间中运行，需要在训练和推理期间将整个图存储在内存中。这一限制限制了它们对大规模真实世界图的可行性。GDGM还表现出较差的尺寸泛化能力，生成与训练数据中尺寸不同的图的能力有限，限制了它们在各种应用中的适应性。为了解决这些挑战，我们提出了随机块图扩散（SBGD）模型，该模型将图表示精炼到一个块图空间中。该空间结合了基于真实世界图模式的结构先验，显著降低了内存复杂性，并实现了对大型图的可扩展性。块表示还通过捕捉基本图结构来改善尺寸泛化。实证结果表明，SBGD实现了显著的内存改进（高达6倍），同时保持了与最先进方法相当甚至更优的图生成性能。此外，实验表明，SBGD能更好地泛化到未见过的图尺寸。SBGD的意义不仅在于它是一个可扩展且有效的GDGM；它还体现了生成建模中模块化的原则，通过将复杂任务分解为更易管理的组件，为探索生成模型提供了一条新途径。
引用
@article{arxiv.2508.14352,
title = {SBGD: Improving Graph Diffusion Generative Model via Stochastic Block Diffusion},
author = {Junwei Su and Shan Wu},
journal= {arXiv preprint arXiv:2508.14352},
year = {2025}
}