IFH: a Diffusion Framework for Flexible Design of Graph Generative Models

本文将图形生成模型分为两个主要类别：一次性模型和顺序模型。一次性模型一次性生成一个图形，而顺序模型通过连续添加节点和边来生成一个图形。理想情况下，在这两个极端模型之间存在一系列采用不同顺序度的连续模型。本文提出了一种名为Insert-Fill-Halt（IFH）的图形生成模型，支持指定顺序度。IFH基于去噪扩散概率模型（DDPM）理论，设计了一个节点删除过程，逐渐破坏图形。插入过程学习反转此删除过程，根据指定的顺序度插入弧和节点。我们评估了IFH在不同顺序度下的质量、运行时间和内存性能。我们还展示了将基于扩散的一次性模型DiGress作为IFH中的生成步骤会改善模型本身，并与当前最先进的模型竞争。

论文提出了一种名为Insert-Fill-Halt（IFH）的图形生成模型，旨在解决如何在一次生成和逐步添加节点和边之间找到一个连续的范围的问题。

IFH模型基于去噪扩散概率模型（DDPM）理论，设计了一个逐渐破坏图形的节点删除过程。插入过程学习根据指定的连续性程度来插入弧和节点。

论文评估了IFH在不同连续性程度下的性能，包括质量、运行时间和内存。使用DiGress作为IFH中的生成步骤可以提高模型性能，并且与当前最先进的模型相比具有竞争力。

相关研究包括基于图形生成模型的其他工作，如Deep Graph Library和GraphRNN，以及最新的基于扩散的一次性图形生成模型，如GraphNVP和Diffusion Improvements for Graph Generation。