机构名称：
¥ 1.0
扩散生成模型（DMS）在图像和图生成方面取得了有希望的结果。然而，现实世界图，例如社交网络，分子图和交通图，通常共享非欧国人拓扑和隐藏的层次结构。例如，图的度分布主要是幂律分布。当前的潜在扩散模型将层次数据嵌入到欧几里得空间中，从而导致扭曲并干扰建模分布。取而代之的是，由于其指数生长特性，已发现双曲线空间更适合捕获复杂的层次结构。In order to simulta- neously utilize the data generation capabilities of diffusion models and the ability of hyperbolic embeddings to extract la- tent hierarchical distributions, we propose a novel graph gen- eration method called, Hyperbolic Graph Diffusion Model (HGDM), which consists of an auto-encoder to encode nodes into successive hyperbolic embeddings, and a DM that oper- ates in the双曲线潜在空间。HGDM通过构造包含边缘信息的双曲线潜在节点空间来捕获Crucial图结构分布。的实验实验表明，HGDM在通用图和分子生成基准测试中获得了更好的表现，并且具有高度层次结构的图生成质量提高了48％。
双曲图扩散模型
主要关键词
相关文件推荐
