Variational Flow Matching for Graph Generation

我们提出了一种将流匹配表述为变分推断的方法，称为变分流匹配（VFM）。基于这个表述，我们开发了CatFlow，这是一种针对分类数据的流匹配方法。CatFlow易于实现，计算效率高，在图形生成任务上取得了强大的结果。在VFM中，目标是近似后验概率路径，这是一种在轨迹可能的终点上的分布。我们证明了VFM可以作为CatFlow目标和原始流匹配目标的特例。我们还将VFM与基于得分的模型联系起来，其中动力学是随机的而不是确定的，并基于重新加权的VFM目标推导出了模型似然的一个界限。我们在一个抽象的图形生成任务和两个分子生成任务上评估了CatFlow。在所有情况下，CatFlow超过或匹配了当前最先进模型的性能。

本文旨在解决流匹配问题，提出了一种基于变分推断的流匹配方法，即变分流匹配（VFM），并在此基础上开发了一种用于分类数据的流匹配方法CatFlow。这些方法旨在解决图生成和分子生成等任务。

本文提出了一种基于变分推断的流匹配方法VFM，它的目标是近似后验概率路径，即可能轨迹的终点分布。同时，本文还将VFM与基于分数的模型联系起来，并在两个分子生成任务中取得了良好的结果。

本文提出的CatFlow方法易于实现，计算效率高，并在图生成任务和分子生成任务中取得了优秀的性能。此外，本文还推导出了基于VFM目标的模型似然的下界，并与当前领域中的其他相关研究进行了比较。

最近在这个领域中，还有一些相关的研究，如基于变分自编码器的图生成方法和基于生成对抗网络的分子生成方法。