ICLRSep, 2022

DiGress：离散去噪扩散用于图生成

PDF
TL;DR本文介绍了 DiGress，一种用于生成具有分类节点和边缘属性的图形的离散去噪扩散模型。通过逐步添加或删除边缘和更改类别的过程，我们的模型利用离散扩散过程逐步编辑具有噪声的图形。同时，我们还提出了一种控制生成过程的图级特征的程序，并使用了马尔可夫噪声模型和辅助图理论特征，进一步提高了样本质量。DiGress 在分子和非分子数据集上取得了最先进的性能，在平面图数据集上有效性提高了 3 倍。此外，该模型是首个能够不使用分子特定表示就能扩展到包含 130 万药物分子的大型 GuacaMol 数据集的模型。
digressgraph generationdiffusion modelnode and edge classificationmarkovian noise model
发现论文，激发创造
  • 基于图传播的无分类器分子性质定向策略

    本研究旨在通过无监督学习直接注入条件信息，提出一种无分类器指导的 DiGress （FreeGress）模型，用于加速新药和材料开发过程中的候选筛选，实验证明该模型在目标性质预测任务上比 DiGress 模型在 QM9 和 ZINC-250k 基准测试中取得了 79％的绝对误差改进，并提出了一种基于分子量与原子数的化学有效性改进方法。

    Dec, 2023

  • SaGess：采样图去噪扩散模型用于可伸缩图生成

    本文中提出了 SaGess，一种用于生成大规模真实世界网络的离散去噪扩散方法，能够通过扩大扩散模型并使用分治框架来生成较大的图形，并通过任务驱动模型，即链接预测，在评估合成数据集方面取得了较好的效果。

    Jun, 2023

  • 离散扩散模型下的高效度指导图生成

    本文提出了一种名为 EDGE 的新型扩散生成图模型，通过在每个时间步骤随机删除边并最终获得空图的离散扩散过程，鼓励图结构的稀疏性，使其更有效率地生成包含上千节点的大型图，并明确将图中节点度数建模，与基线模型相比，生成的图像质量更高，具有更相似的图统计特征。

    May, 2023

  • 基于离散图结构的分布式条件扩散用于分子图生成

    本文提出了一种基于条件扩散的离散图结构（CDGS）的分子图生成方法，通过随机微分方程（SDE）实现正向图扩散过程并得出离散图结构作为逆向生成过程的条件，利用普通微分方程（ODE）求解器进行高效的图采样，在各种数据集上验证了该框架的有效性，特别是在有限的步骤中仍能生成高质量的分子图。

    Jan, 2023

  • 通过扩散模型联合生成场景图和图像

    本文介绍了一项新的生成任务：联合场景图像生成。通过引入 DiffuseSG 模型，本文探索了生成逼真的场景图，使得图像生成具备高效和可解释性的控制能力，并展示了该模型在场景图生成以及相关应用中的优越性。

    Jan, 2024

  • 图生成的离散扩散模型的稀疏训练

    SparseDiff 是一种能够在图生成过程中利用稀疏性的去噪扩散模型，它能有效处理边列表表示的图，在保证生成性能的同时提高可伸缩性。

    Nov, 2023

  • GRAND: 图神经扩散网络

    用连续扩散过程作为图上深度学习的方法，将 Graph Neural Networks (GNNs) 视为潜在 PDE 的离散化，从而得到了一种新的 GNN 模型，该模型采用时空算子离散化，解决了图学习模型中的深度、平滑过渡和瓶颈等问题。通过稳定性分析，可以得到线性和非线性版本的 GRAND 模型，这些模型能够在许多标准图标准测试中取得很好的效果。

    Jun, 2021

  • EDGE++：EDGE 训练和采样的改进

    本文提出了对 EDGE 模型的改进，包括引入了一个特定度数的噪声计划，优化了每个时间步骤的活跃节点数量，显著减少了内存消耗，并提出了一个改进的采样方案，通过微调生成过程来更好地控制合成网络和真实网络之间的相似度，实验结果表明，这些改进不仅提高了生成图的效率，还增强了其准确性，为图生成任务提供了强大且可扩展的解决方案。

    Oct, 2023

  • 离散去噪流

    本研究提出了离散去噪流模型（Discrete Denoising Flows, DDFs），用于建模离散的随机变量，并证明在对数似然度量中，在建模玩具示例，二进制 MNIST 和 Cityscapes 分割地图方面，DDFs 优于 Discrete Flows。

    Jul, 2021

  • 图生成的离散状态连续时间扩散

    本文提出了一种离散状态连续时间设置的图扩散生成模型，该模型在以前的图扩散模型中从未被研究过。分析表明，我们的训练目标与生成质量密切相关，我们提出的生成框架在节点排序的排列方面具有理想的不变 / 等变特性。我们的模型在各种基准测试中表现出有竞争力的实证性能，同时在采样阶段可以在生成质量和效率之间灵活权衡。

    May, 2024