대규모 그래프를 메모리에 의존하지 않고 현실적인 구조 통계(차수 분포, 클러스터링, 경로 길이 등)를 유지하며 생성하는 이산 확산 모델이 제안됐다. 기존 확산 기반 생성기는 연산 복잡도가 노드 수의 제곱에 비례해 최대 3천 개 노드급 소규모 네트워크에만 적용 가능했지만, 이 모델은 관측된 엣지와 그 쐐기형 비엣지로 학습 대상을 제한해 복잡도를 제곱 이하로 낮췄다. 또한 노드별 차수를 고려하면서도 완전히 지워지지 않는 '바닥값 코사인 노이즈 스케줄'을 설계해 순방향·역방향 과정 내내 그래프 정보가 유지되도록 했다. 다양한 데이터셋 실험에서 기존 이산 확산 기준선 대비 구조적 충실도 상위권을 꾸준히 기록했다.
- •관측 엣지와 썰기형 비엣지만 학습해 복잡도를 노드 수 제곱 이하로 낮춘 대규모 그래프 생성 모델
- •차수를 고려하며 완전히 지워지지 않는 '바닥값 코사인 노이즈 스케줄' 설계
- •기존 방식이 최대 3천 노드급에 머물던 한계를 넘어 더 큰 그래프 생성 가능
- •다양한 데이터셋에서 기존 이산 확산 기준선 대비 구조적 충실도 상위권 유지
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Discrete Diffusion for Large Graph Generation via Structural Candidate Restriction
- 1.기존 확산 기반 그래프 생성 모델의 2차 복잡도 한계(3천 노드 수준)를 해결하는 새 모델 제안
- 2.관측된 엣지와 그 wedge 비엣지만 학습해 노드 수 대비 학습 복잡도를 2차 이하로 낮춤
- 3.노드 차수를 반영한 '바닥값 있는' 코사인 노이즈 스케줄로 순방향·역방향 내내 구조 정보를 보존
- 4.다양한 데이터셋에서 기존 이산 확산 베이스라인 대비 구조적 충실도 상위권을 꾸준히 기록
왜 중요한가?
대규모 실세계 그래프(소셜 네트워크, 지식 그래프 등)를 메모리 암기에 의존하지 않고 생성할 수 있어, 그래프 생성 모델의 적용 범위를 수천 노드에서 훨씬 큰 규모로 넓힐 수 있다.
본문 미리보기
arXiv:2610.04056v1 Announce Type: new Abstract: Synthesizing realistic graphs at scale is vital when the graphs of interest are large and real-world samples are limited or access-sensitive. Diffusion-based generators have recently driven much of the progress, offering high modeling capacity, but most such methods have quadratic computational complexity and are hence restricted to small-scale networks, currently up to 3k nodes. Existing non-quadratic methods remain limited by memorization issues
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 10:40AI 초안
