研究人员开发了一种新的图扩散模型信息几何框架，该框架超越了均匀时间步进。该方法将扩散采样轨迹重新解释为黎曼流形上的曲线，并使用费舍尔-拉奥度量来测量内在距离。由此产生的漂移变异分数（DVS）量化了分布变化，确保了采样路径上信息速度恒定，从而提高了分子和社会网络生成的结构保真度和效率。 AI
影响 引入了一种新颖的几何方法来进行扩散采样，有可能提高结构化数据的生成任务的效率和保真度。
排序理由 这是一篇详细介绍图扩散模型新理论框架和实验结果的研究论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.00250v1 Announce Type: cross Abstract: Standard diffusion models for graph generation typically rely on uniform time-stepping, an approach that overlooks the non-homogeneous dynamics of distributional evolution on complex manifolds. In this paper, we present an informa…
Standard diffusion models for graph generation typically rely on uniform time-stepping, an approach that overlooks the non-homogeneous dynamics of distributional evolution on complex manifolds. In this paper, we present an information-geometric framework that reinterprets the dif…