关键词graph generative model
搜索结果 - 6
- 大规模生成图模型
我们提出了一种名为大图生成模型(LGGM)的新型图生成模型,该模型在来自 13 个不同领域的大量图形语料库(超过 5000 个图形)上进行训练,并且在零样本生成能力方面优于现有的图生成模型。此外,我们的预训练 LGGM 可以轻松地通过来自目 - 基于频谱扩散的图生成
本文介绍了 GRASP 模型,这是一种基于图拉普拉斯矩阵的频谱分解和扩散过程的新颖的图生成模型。我们使用去噪模型从图上采样特征向量和特征值,通过它们可以重构图拉普拉斯矩阵和邻接矩阵。该模型能够处理节点特征,并利用拉普拉斯谱自然地捕捉图的结构 - W2SAT: 从加权文字关系图中学习生成 SAT 实例
本文提出了一种基于 WLIG 的 SAT 公式生成框架 W2SAT,并通过实验证明了 WLIG 的优越性及其与其他方法的差异,并讨论了其在实际应用中的局限性以及可能的解决方案。
- 用于基准测试图神经网络的图生成模型
提出了一种名为 Computation Graph Transformer(CGT)的图形生成模型,它可以在保证隐私的前提下,生成大规模真实世界图的有效基准图,用于作为 Graph Neural Networks 模型的基准测试。
- ICML基于评分的随机微分方程系统的图生成建模
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 - ICML节点顺序的概率建模:用于图生成的
本文提出了一种图形生成方法,使用自回归神经网络和变分推论技术,通过较紧的对数似然下界来训练模型并生成高质量图形。