グラフ生成のための離散ベイズ的サンプル推論

要旨: グラフ構造化データの生成は、分子生成、知識グラフ、ネットワーク解析といったアプリケーションにおいて重要である。しかし、それらの離散的で順序を持たない性質のために、従来の生成モデルでは扱いにくく、離散拡散およびフローマッチングモデルの登場につながっている。本研究では、ベイズ的サンプル推論（Bayesian Sample Inference; BSI）に基づく、新しいワンショットのグラフ生成モデルであるGraphBSIを提案する。サンプルを直接進化させるのではなく、GraphBSIは分布パラメータの連続空間において、グラフに関する信念を反復的に洗練することで、離散構造を自然に扱う。さらに、BSIを確率微分方程式（SDE）として定式化し、スコア関数の近似により限界分布を保存する、ノイズ制御されたSDEのファミリーを導出する。理論的解析により、ベイズフローネットワークおよび拡散モデルとの関係も明らかにする。最後に、実験的評価では、分子および合成グラフ生成において最先端の性能を示し、標準ベンチマークであるMosesおよびGuacaMolにおいて、既存のワンショット・グラフ生成モデルを上回ることを実証する。