Advancing Graph Generation through Beta Diffusion

扩散模型已经证明在生成自然图像方面具有有效性，并已扩展到生成包括图形在内的多种数据类型。这一代基于扩散的图形生成模型已经展示出相对于依赖于变分自动编码器或生成对抗网络的方法具有显著的性能提升。然而，需要注意的是，这些模型中大多数采用高斯或分类扩散过程，这些过程在处理稀疏和长尾数据分布时可能会遇到困难。在我们的工作中，我们引入了图形Beta扩散（GBD），这是一种基于扩散的生成模型，特别擅长捕捉多样的图形结构。GBD利用了一种Beta扩散过程，专门针对图形邻接矩阵的稀疏和范围有限的特征。此外，我们还开发了一种调制技术，通过稳定关键图形结构的生成，同时保留其他部分的灵活性，提高了生成图形的真实性。GBD在三个通用图形基准和两个生物化学图形基准中的出色表现，突显了它有效捕捉真实世界图形数据复杂性的能力。代码将在https://github.com/YH-UtMSB/Graph_Beta_Diffusion上提供。

论文旨在解决生成图像时Gaussian或categorical diffusion processes难以处理稀疏和长尾数据分布的问题，提出了一种针对图邻接矩阵稀疏和范围有界特征的Graph Beta Diffusion (GBD)生成模型。

GBD使用beta diffusion process来捕捉多样的图结构，并引入调制技术来增强生成图像的真实感，同时保持灵活性。该模型在多个基准测试中表现出色。

实验设计了三个通用图基准测试和两个生物化学图基准测试，证明了GBD生成模型有效地捕捉了真实世界图数据的复杂性。研究开源了代码。

在这个领域中，最近的相关研究包括：Variational Graph Auto-Encoders、Graph Convolutional Networks、Generative Models for Graphs等。