arXiv cs.AI· Ahmet T\"uzen, Helge Langseth, Kjetil N{\o}rv{\aa}g·· 9 天前AI 评分22
Schema：通过软社区结构实现可扩展的层次化图生成
Scalable Hierarchical Graph Generation via Soft Community Structure
AI 导读
Schema 通过将参考图递归分解为软社区层次结构，把图生成拆分为节点属性合成、社区内边生成和跨社区桥接节点建模三个独立训练阶段，各阶段均不构建完整邻接矩阵。在四个真实属性图上，Schema 比任何其他生成属性的模型都更准确地恢复了局部与长程结构的平衡，同时仅复现少量参考边，并保持参考图的下游准确率。研究还在六个额外图上验证了可扩展性，最大规模达 1000 万节点。
正文 · AI 翻译
摘要：生成大型属性图需要复现拓扑结构、在生成结构的同时生成属性，并保持可扩展性。许多真实世界的图以单个大图的形式存在，因此生成模型必须从它所拟合的单个图中泛化，而无法获得独立样本。我们提出 Schema，它递归地将参考图分解为软社区层次结构，为每个节点分配一个隶属度分布。生成过程随后被分为三个阶段，每个阶段独立训练：（1）以软隶属度为条件合成节点属性，（2）从局部结构上下文生成社区内边，（3）在隶属度质量分布在多个社区之间的桥接节点上建模社区间连接。没有任何阶段会构建完整的邻接矩阵，且每个阶段都在以社区规模为界的子图上运行。我们还引入了一套评估协议，涵盖结构保真度、记忆化、下游效用和可扩展性。在四个真实世界的属性图上，Schema 比任何其他生成属性的模型都更接近地恢复了局部结构与长程结构之间的平衡，同时仅复现了参考边的一小部分。它保留了参考图的下游准确率，而没有人为地将其提升到该水平之上。与其结构保真度相当的基线会记忆参考图，而下游准确率更高的基线要么超过参考准确率，要么在更大的图上无法完成。我们在另外六个多达 1000 万节点的图上测量了可扩展性。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.12163 [cs.LG] |
| （或使用 arXiv:2610.12163v1 [cs.LG] 获取此版本） | |
| https://doi.org/10.48550/arXiv.2610.12163 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Ahmet Tüzen [查看电子邮件]
[v1]
2026年10月8日星期四 15:39:53 UTC（819 KB）
来源：arXiv cs.AI · arxiv.org