该论文探讨了在先验概率和一个基于$x$和$y$的不等式约束条件下利用高维数据推断潜在结果。通过使用一个独立训练的去噪扩散生成模型和不同的不等式约束，该方法能应用于各种不同领域的任务，例如条件生成、图像分割以及求解组合优化问题等。

Jun, 2022

本研究重新考虑扩散模型的总体框架，将其视为具有未观察到扩散轨迹的潜在变量模型，并应用于数据不受限制的领域。利用最大似然估计，我们表明模型构建和潜在路径的插补都可以构造扩散桥过程，实现端点的确定值和约束条件，并提供一套系统的研究和工具，进而提出了学习扩散生成模型的第一个理论误差分析和学习不同离散和受限领域数据的简单而统一的方法。实验证明，我们的方法在生成图像、语义分段和3D点云方面表现出色。

Aug, 2022

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

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

我们提出了一种基于扩散的图生成模型，通过定义在离散图空间中操作的节点吸收扩散过程，设计了扩散排序网络和去噪网络，从而实现了更好或相当的生成性能，并且具有快速的生成速度。

Jul, 2023

对扩散方法在图生成方面的最新应用进行了全面综述，包括扩散概率模型、基于得分的生成模型和随机微分方程三种主要范式，指出了当前研究的一些局限性和未来的研究方向。

Jan, 2024

GLAD是一个离散的潜在空间图生成模型，通过在适当构建的潜在空间上运行，避免了对原始数据空间进行分解的依赖，取得了具有竞争力的超越状态的图生成性能。

Mar, 2024

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

通过引入特定的边吸收噪声模型和新的投影算子，ConStruct是一种允许硬约束图扩散模型以包含特定属性（如平面性或非循环性）的新框架。它在合成基准和属性现实数据集中展示了多功能性和最先进的性能，例如在数字病理学图数据集中，利用平面性的提出方法提高了生成数据的有效性高达71.1个百分点。

Jun, 2024

本研究聚焦于扩散模型在图中的理解，填补了理论与应用之间的空白。通过对不同扩散和采样技术的实证研究，探讨了噪声、采样方法的选择及神经网络 approximating 函数的复杂性对模型表现的影响。研究结果将有助于深化对扩散模型的理解，并推动其在图机器学习中的应用。

Aug, 2024