arXiv cs.AI· Michal Balcerak, Suprosanna Shit, Chinmay Prabhakar, Sebastian Kaltenbach, Michael S. Albergo, Yilun Du, Bjoern Menze·· 10 小时前AI 评分29
Graph Energy Matching：面向图生成的传输对齐能量建模框架
Graph Energy Matching: Transport-Aligned Energy-Based Modeling for Graph Generation
AI 导读
研究者提出 Graph Energy Matching（GEM），一种受 JKO 传输映射优化启发的离散生成框架，通过学习置换不变的能量函数引导噪声向高似然图区域传输并细化样本。在分子图基准上，GEM 在多数指标上匹配或超越强离散扩散基线，并支持组合生成、性质约束采样与图间插值。该工作为 NeurIPS 2026 定稿版本。
正文 · AI 翻译
摘要：离散数据（如图）的生成建模支撑着许多科学和工业应用，包括分子发现和材料设计。在这些领域中，概率推断尤其有价值，因为它能够实现可组合的生成，并有原则地纳入所需约束，例如结构或功能属性。基于能量的模型通过捕捉相对似然，并在推断过程中直接施加约束来实现可组合推断，从而自然地支持这一目标。然而，离散能量模型通常难以实现高效且高质量的采样，因为支撑集之外的区域往往包含虚假的局部极小值，会困住采样器并导致训练不稳定，从而与离散扩散模型相比产生保真度差距。为弥补这一差距，我们提出了 Graph Energy Matching（GEM），这是一个受 Jordan-Kinderlehrer-Otto（JKO）传输映射优化视角启发的离散生成框架。GEM 学习一种置换不变势能，同时引导从噪声向高似然图区域的离散传输，并在这些区域内细化样本。我们进一步引入了一种利用基于能量的切换策略的采样协议，无缝衔接快速的梯度引导传输与用于有效探索的局部混合机制。在分子图基准上，GEM 在大多数报告指标上匹配或超越了强离散扩散基线。除了提升生成质量外，GEM 的相对似然建模还支持有针对性的探索，促进组合生成、属性约束采样以及图之间的插值。项目页面：this https URL。
| 评论： | NeurIPS 2026 最终版。29 页 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；机器学习（stat.ML） |
| 引用为： | arXiv:2603.23398 [cs.LG] |
| （或 arXiv:2603.23398v4 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2603.23398 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Michal Balcerak [查看电子邮件]
[v1]
2026 年 3 月 24 日星期二 16:35:25 UTC（763 KB）
[v2]
2026 年 5 月 28 日星期四 22:03:51 UTC（371 KB）
[v3]
2026 年 6 月 1 日星期一 12:59:54 UTC（371 KB）
[v4]
2026 年 11 月 9 日星期一 23:34:32 UTC（384 KB）
来源：arXiv cs.AI · arxiv.org