离散扩散模型下的高效度指导图生成
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
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。
Sep, 2022
我们提出了一种基于节点和边的联合评分模型的图生成方法，该方法考虑了图的所有组成部分，并结合关注模块将节点和边属性进行组合，通过图扩散过程中的节点、边和邻接信息的相互依赖关系，生成与边相关的真实世界和合成数据集的挑战性基准结果，在交通场景图生成等领域表现出明显的优势。
Feb, 2024
提出了一种基于得分的图生成模型，采用连续时间框架下的新图扩散过程，通过随机微分方程系统对节点和边缘进行联合分布建模，并提出了适用于该过程的新颖得分匹配目标，通过求解反向扩散过程的方程系统高效采样。通过对多个数据集的验证，该方法在生成具有挑战性的现实世界图形时获得了优异的性能，并能够生成符合 训练分布的分子，表明其对于节点 - 边缘关系的建模具有有效性。
Feb, 2022
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
本论文总结了扩散模型在图像生成方面的成功，并介绍了扩散模型在图生成方面的应用，特别是从分子和蛋白质建模方面进行了重点讨论，并讨论了扩散模型在图结构数据中的新方向。
Feb, 2023
该论文提出了一种基于图谱扩散的高效而有效的 Graph Spectral Diffusion Model （GSDM），相较于基于整个图邻接矩阵空间的扩散模型，该模型能够更好地学习生成拓扑结构更好的图数据，而实验结果表明该模型不仅可以生成质量更高、而且计算消耗也更小。
Nov, 2022
我们提出了第一个框架，允许使用一个模型解决所有级别（节点、边和图）和所有类型（生成、回归和分类）的图学习任务。我们首先提出了潜在图扩散（LGD），它是一个生成模型，可以同时生成所有类别的节点、边和图级特征。我们通过将图结构和特征嵌入到潜在空间中，并利用一个强大的编码器对其进行解码，然后在潜在空间中训练扩散模型来实现这个目标。LGD 还能够通过一个特殊设计的交叉注意机制进行条件生成。然后，我们将包括回归和分类在内的预测任务制定为（条件）生成，使我们的 LGD 能够解决所有级别和所有类型的任务，并提供可证明的保证。通过广泛的实验证明了我们框架的有效性，其中我们的模型在生成和回归任务中达到了最先进或极具竞争力的结果。
Feb, 2024
我们的研究引入了 Graph Beta Diffusion（GBD），一种特别擅长捕捉多样化图结构的扩散生成模型。GBD 利用了适用于图邻接矩阵的稀疏和有界特征的 Beta 扩散过程，并开发了调制技术来增强生成图的现实感，同时在其他地方保持灵活性。GBD 在三个通用图基准和两个生物化学图基准中的出色性能突显了其有效捕捉现实世界图数据复杂性的能力。
Jun, 2024