スコアベースの生成モデルによる置換不変グラフ生成

グラフ構造データの生成モデルを学習することは困難です。なぜなら、グラフは離散的で組み合わせ的であり、基礎となるデータ分布はノードの順序に対して不変だからです。しかし、既存のグラフ用生成モデルのほとんどは、選択した順序に対して不変ではなく、学習された分布に望ましくないバイアスをもたらす可能性があります。この課題に対処するために、スコアベースの生成モデルの最近のフレームワークを使用して、グラフモデルに対して置換不変のアプローチを提案します。具体的には、入力グラフにおけるデータ分布の勾配（いわゆるスコア関数）をモデル化するために、置換同変のマルチチャネルグラフニューラルネットワークを設計します。この勾配の置換同変モデルは、グラフに対して置換不変の分布を暗黙的に定義します。このグラフニューラルネットワークをスコアマッチングで訓練し、アニーリングされたランジュバン力学でサンプリングします。我々の実験では、まずこの新しいアーキテクチャが離散グラフアルゴリズムを学習する能力を示します。グラフ生成に関しては、我々の学習アプローチがベンチマークデータセットで既存のモデルと比べてより良いまたは同等の結果を達成することが分かりました。”},{