基于随机微分方程组的图分数阶生成建模
机器学习
2022-06-16 v3
摘要
生成图结构数据需要学习图 underlying 分布。然而，这是一个具有挑战性的问题，以往的图生成方法要么无法捕捉图的置换不变性性质，要么不能充分建模节点与边之间复杂的依赖关系，而这对于生成如分子等真实世界图至关重要。为克服此类局限，我们提出了一种新颖的基于分数的图生成模型，采用连续时间框架。具体而言，我们提出了一种新的图扩散过程，通过一组随机微分方程组（SDEs）对节点和边的联合分布进行建模。随后，我们推导出专为所提扩散过程设计的新型分数匹配目标，以估计联合对数密度相对于各分量的梯度，并引入一种新的SDE方程组求解器来高效地从反向扩散过程中采样。我们在多个数据集上验证了图生成方法，其性能显著优于基线或与之相当。进一步分析表明，我们的方法能够生成接近训练分布且不违反化学价规则的分子，证明了SDE方程组在建模节点-边关系方面的有效性。我们的代码可在 https://github.com/harryjo97/GDSS 获取。
引用
@article{arxiv.2202.02514,
title = {Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations},
author = {Jaehyeong Jo and Seul Lee and Sung Ju Hwang},
journal= {arXiv preprint arXiv:2202.02514},
year = {2022}
}
备注
ICML 2022