SteinGen：生成高保真且多样化的图样本
机器学习
2024-04-08 v2 机器学习
摘要
生成既能保留特征结构又能促进样本多样性的图可能具有挑战性，尤其是在图观测数量较少时。在此，我们解决仅从一张观测图进行图生成的问题。基于参数模型的经典图生成方法依赖于参数估计，由于难以处理的归一化常数，参数估计可能不一致或计算代价高昂。基于机器学习技术生成高质量图样本的生成式建模避免了参数估计，但通常需要大量的训练样本。我们提出的生成过程SteinGen，在图作为指数随机图模型实现的设定下，结合了Stein方法和MCMC的思想，采用基于目标模型Stein算子的马尔可夫动力学。SteinGen使用与估计的Stein算子相关的Glauber动力学生成样本，并在每次采样步骤后从样本中重新估计Stein算子。我们证明，在一类指数随机图模型上，这种新颖的“估计与重新估计”生成策略能产生与原始数据的高分布相似性（高保真度），同时兼具高样本多样性。
引用
@article{arxiv.2403.18578,
title = {SteinGen: Generating Fidelitous and Diverse Graph Samples},
author = {Gesine Reinert and Wenkai Xu},
journal= {arXiv preprint arXiv:2403.18578},
year = {2024}
}