当图深度生成模型纠缠时，无监督发现可操控因子
机器学习
2024-01-31 v1 人工智能
定量方法
摘要
深度生成模型（DGM）已广泛用于图数据。然而，对于理解此类预训练图 DGM 的潜在空间，相关研究却少得多。这些理解有可能为图可控生成等关键任务提供建设性指导。因此，在这项工作中，我们有兴趣研究此问题，并提出了 GraphCG，一种用于在预训练图 DGM 的潜在空间中无监督发现可操控因子的方法。我们首先使用六个解耦度量指标检查了三个预训练图 DGM 的表示空间，并观察到预训练的表示空间是纠缠的。受此观察启发，GraphCG 通过最大化语义丰富方向之间的互信息来学习可操控因子，其中沿相同方向移动的受控图将共享相同的可操控因子。我们定量验证了，在两个分子数据集上预训练的两个图 DGM 上，GraphCG 优于四个竞争性基线方法。此外，我们定性地展示了 GraphCG 在五个预训练 DGM 上（涵盖五个图数据集，包括两个分子数据集和三个点云数据集）学习到的七个可操控因子。
引用
@article{arxiv.2401.17123,
title = {Unsupervised Discovery of Steerable Factors When Graph Deep Generative Models Are Entangled},
author = {Shengchao Liu and Chengpeng Wang and Jiarui Lu and Weili Nie and Hanchen Wang and Zhuoxinran Li and Bolei Zhou and Jian Tang},
journal= {arXiv preprint arXiv:2401.17123},
year = {2024}
}