详细内容或原文请订阅后点击阅览
图形生成的离散流匹配框架
图1：defog逐渐变形图，将随机结构（在t = 0）转换为逼真的结构（t = 1）。该过程类似于重新组装零散的拼图片回到正确的位置。设计新药通常意味着发明以前从未存在的分子。化学家表示分子作为图，其中原子是“节点”和化学[…]
来源:ΑΙhub图1：defog逐渐变形图，将随机结构（在t = 0）转换为逼真的结构（t = 1）。该过程类似于重新组装零散的拼图片回到正确的位置。
图1：设计一种新药通常意味着发明以前从未存在的分子。化学家将分子表示为图，其中原子是“节点”，化学键将“边缘”捕获，从而捕获其连接。该图表示远远超出了化学的扩展：社交网络是人和友谊的图，大脑是神经元和突触的图表，运输系统是站点和路线的图形。从分子到社交网络，无处不在的图形，自然地捕捉了我们周围世界的关系结构。
因此，对于许多应用程序，能够生成新的现实图是一个核心问题。但是，问题的规模令人生畏：例如，具有500个节点的图可能包含超过100,000个可能的边缘。不可能用手探索如此庞大的组合空间。这就是为什么开发能够有效地导航该空间并提议在几分钟内提议数千甚至数百万个新分子，电路或网络的AI模型将是前进的主要一步的原因。
一种新方法：defog
defog，图形生成的离散流匹配框架图2：defog启用灵活性的一个示例。在i中，Denoising时间表采用均匀间隔的步骤。在II中，时间表适应了步骤的大小，尽早采取更大的步骤，并在末端附近采取更小的步骤，从而在该阶段更加精致。这种为设计不同的脱氧轨迹的自由，以及定制过程的其他方式，从而提高了生成性能。
图2：为什么重要？
向前看
参考
通过基于得分的生成建模 国际人工智能与统计会议 arxiv标签：
icml，
ICML2025