用于图生成的变分贝叶斯流网络
机器学习
2026-02-02 v1
摘要
图生成旨在满足耦合结构约束地对离散节点和边属性进行采样。扩散模型用于图生成常采用高度分解的前向加噪方式，许多流匹配方法则从分解的参考噪声和坐标级插值开始，因此节点-边耦合未被生成几何编码，必须通过核心网络隐式恢复，这在离散解码后可能不稳健。贝叶斯流网络（BFNs）演化分布参数，自然支持离散生成。但经典 BFNs 通常依赖分解的信念和独立通道，限制了几何证据的融合。我们提出变分贝叶斯流网络（VBFN），其对可计算的联合高斯变分信念家族进行变分提升，由结构化精度矩阵控制。每一步贝叶斯更新简化为求解对称正定线性系统，从而实现单个融合步骤中的耦合节点和边更新。我们构建与表示相关的稀疏精度矩阵，无需依赖标签即可避免标签泄漏，同时强制执行节点-边一致性。在合成数据集和分子图数据集上，VBFN 在保真度和多样性方面取得改进，并超越基准方法。
引用
@article{arxiv.2601.22524,
title = {Variational Bayesian Flow Network for Graph Generation},
author = {Yida Xiong and Jiameng Chen and Xiuwen Gong and Jia Wu and Shirui Pan and Wenbin Hu},
journal= {arXiv preprint arXiv:2601.22524},
year = {2026}
}