用于图反问题源定位的两阶段去噪扩散模型
机器学习
2023-04-19 v1
摘要
源定位是图信息传播的逆问题，具有广泛的实际应用。然而，信息传播固有的复杂性与不确定性带来了显著挑战，且源定位问题的不适定本质进一步加剧了这些挑战。近来，深度生成模型，尤其是受经典非平衡热力学启发的扩散模型，已取得显著进展。尽管扩散模型在求解逆问题与生成高质量重建方面已被证明十分强大，但将其直接应用于源定位不可行，原因有二。首先，在大规模网络上计算后验传播结果以进行迭代去噪采样是不可能的，这将带来巨大的计算开销。其次，在该领域现有方法中，训练数据本身是不适定的（多对一）；因此简单迁移扩散模型只会导致局部最优。为应对这些挑战，我们提出两阶段优化框架，即源定位去噪扩散模型（SL-Diff）。在粗粒度阶段，我们设计源邻近度作为监督信号以生成粗粒度源预测。旨在高效初始化下一阶段，显著减少其收敛时间并校准收敛过程。此外，该训练方法中级联时序信息的引入将多对一映射关系转化为一对一关系，完美解决了不适定问题。在细粒度阶段，我们设计了可量化传播中不确定性的图反问题扩散模型。所提 SL-Diff 在大量实验中以合理采样时间取得了优异的预测结果。
引用
@article{arxiv.2304.08841,
title = {Two-stage Denoising Diffusion Model for Source Localization in Graph Inverse Problems},
author = {Bosong Huang and Weihao Yu and Ruzhong Xie and Jing Xiao and Jin Huang},
journal= {arXiv preprint arXiv:2304.08841},
year = {2023}
}