研究人员开发了一种新的离散图生成方法，该方法解决了现有扩散模型的局限性。这些模型通常通过独立的边更新来破坏图结构，导致终端先验为 Erdős--Rényi (E-R) 随机图。这个根本性问题阻碍了图神经网络 (GNN) 有效去噪和恢复有意义的节点异质性和高阶结构的能力，尤其是在没有节点特征的情况下。提出的解决方案引入了潜在社交先验 (LSP) 和联合扩散过程，该过程同时演化潜在节点社交变量和图结构。这种方法消除了边缘独立性，同时保持了可交换性，指导边缘更新并保留了节点异质性，而无需复杂的编码器。在各种图生成数据集上的实验表明，与不使用节点特征的基线方法相比，该框架能更准确地捕捉图分布。 AI
影响 引入了一种新颖的图生成方法，可以提高各种 AI 应用中使用的模型的准确性和表现力。
排序理由 详细介绍图生成新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
