イーサン・マ氏らは2026年9月4日(現地時間)付でarXivに公開した論文で、カテゴリカルグラフ生成のための新たな生成モデル「Embedded Graph Flows (EGF)」を提案した。このモデルは、ノードおよび順序付けされていないエッジのカテゴリについて連続的な埋め込みを学習し、その学習された終点へとガウスノイズを変換する。これにより、分子ベンチマークにおいて競争力のある性能を示した。
Embedded Graph Flows (EGF) は、ノードの順序に依存せず、一貫した構造を形成するノードとエッジのタイプを選択するカテゴリカルグラフ生成の課題に対応する。従来の多くのグラフ生成モデルは、カテゴリを固定されたワンホットベクトルとしてエンコードするため、カテゴリが等距離であるという人工的な幾何学的構造を課す可能性がある。
EGFは、順列不変なグラフトランスフォーマーを用いて、学習された終点に向かってガウスノイズを輸送する。最終的な読み出し層は、この埋め込みを離散的なグラフカテゴリにマッピングする。
分子ベンチマークであるQM9データセットにおいて、EGFは報告された4つの指標全てで最良の結果を達成した。特に、Fréchet ChemNet Distance (FCD) は0.150を記録し、カテゴリカル拡散ベースラインのDiGressの0.717、ブリッジベースラインのGruMの0.812と比較して優れた性能を示した。さらに、より大規模なZINC250kデータセットに適用した場合でも、EGFは近傍部分グラフペアワイズ距離カーネル (NSPDK) を用いた最大平均不一致 (MMD) で最低値を維持し、参照分子の局所部分構造との高い一致度を示している。
研究チームは、関連コードを公開リポジトリで提供している。
参考: arXiv cs.LG — 2026年9月5日 01:26 (JST)
原文ハイライト"EGF gives the best result on all four reported metrics among the three methods"