SeaDAG：用于条件无环图生成的半自回归扩散模型
机器学习
2024-10-22 v1 人工智能
摘要
我们提出SeaDAG，这是一种用于条件无环图（DAG）生成的半自回归扩散模型。考虑到其固有的层级结构，我们通过为不同层级设计不同的去噪速度来模拟层级自回归生成。与传统自回归生成缺乏全局图结构视图不同，我们的方法在每个扩散步骤中保持完整的图结构，从而能够实现如属性控制等需要完整图结构的操作。利用这一能力，我们在训练期间通过采用图属性解码器来评估DAG属性。我们显式地训练模型以学习图条件，采用条件损失，这增强了扩散模型生成与指定属性相吻合且真实可信的图的能力。我们在两个具有代表性的条件DAG生成任务上进行评估：（1）从真值表生成电路，其中精确的DAG结构对于实现电路功能至关重要；（2）基于量子属性生成分子。我们的方法在实际应用中表现出色，生成的高质量且真实可信的DAG能够紧密地与给定条件相吻合。
引用
@article{arxiv.2410.16119,
title = {SeaDAG: Semi-autoregressive Diffusion for Conditional Directed Acyclic Graph Generation},
author = {Xinyi Zhou and Xing Li and Yingzhao Lian and Yiwen Wang and Lei Chen and Mingxuan Yuan and Jianye Hao and Guangyong Chen and Pheng Ann Heng},
journal= {arXiv preprint arXiv:2410.16119},
year = {2024}
}