グラフ対応の適応的ノイズ付けによる、事実性と編集感度を重視したグラフからシーケンス生成

要旨: グラフからシーケンスへの生成（G2S）に対する微調整済みの自己回帰モデルは、しばしば事実性の裏付け（factual grounding）と編集への感度（edit sensitivity）に課題を抱えます。これらの問題に対処するために、入力グラフに条件付けられた反復的な洗練によってテキストを生成する、非自己回帰の拡散フレームワークを提案します。これは Diffusion Language Model for Graphs（DLM4G）と呼ばれます。グラフ構成要素（エンティティ／関係）を、それに対応するシーケンストークンに整合させることで、DLM4G は適応的なノイズ付与戦略を用います。提案する戦略では、トークンごとの復元（denoising）誤差をシグナルとして、エンティティおよび関係トークンへのノイズを適応的に調整します。これにより、グラフ構造の保持が改善され、さらにグラフの編集に対して局所的な更新を可能にします。3つのデータセットで評価した結果、DLM4G は、同一の分割で学習した競合するG2S拡散ベースラインの両方の指標（表面形式ベースおよび埋め込みベース）において、一貫して上回りました。DLM4G は、最大12倍大きい（例：T5-Large）微調整済み自己回帰ベースラインも上回り、最大127倍大きいゼロショットLLM転移ベースラインと競合する性能を示します。最も強力な微調整済みPLMベースラインと比べて、DLM4G は事実性の裏付け（FGT@0.5）を +5.16% 改善し、編集への感度（ESR）を +7.9% 改善します。最良の拡散ベースラインと比較すると、FGT@0.5 で +3.75%、ESR で +23.6% の向上が得られます。さらに、分子キャプション生成に関する実験により、テキストグラフ以外への適用可能性も示し、この手法が科学的なG2S生成に対して一般性を持つことを明らかにします。