DiGress: Difusão de desnoising discreta para geração de grafos

Este trabalho introduz o DiGress, um modelo de difusão de desnoising discreto para gerar grafos com atributos de nó e aresta categóricos. Nosso modelo utiliza um processo de difusão discreta que edita progressivamente os grafos com ruído, através do processo de adicionar ou remover arestas e alterar as categorias. Uma rede de transformadores de grafos é treinada para reverter esse processo, simplificando o problema de aprendizado de distribuição sobre grafos em uma sequência de tarefas de classificação de nós e arestas. Melhoramos ainda mais a qualidade das amostras ao introduzir um modelo de ruído markoviano que preserva a distribuição marginal dos tipos de nós e arestas durante a difusão, e ao incorporar recursos auxiliares de teoria dos grafos. Também é proposta uma procedure para condicionar a geração em características em nível de grafo. O DiGress alcança desempenho de estado da arte em conjuntos de dados moleculares e não moleculares, com até 3x de melhoria na validade em um conjunto de dados de grafos planares. É também o primeiro modelo a escalar para o grande conjunto de dados GuacaMol contendo 1,3M moléculas semelhantes a medicamentos sem o uso de representações específicas de moléculas.