Buchumschlag

IFH: a Diffusion Framework for Flexible Design of Graph Generative Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Cognolato, Samuel, Sperduti, Alessandro, Serafini, Luciano
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Spectral Interpretation of Redundancy in a Graph Reservoir
von: Bison, Anna, et al.
Veröffentlicht: (2025)

Analysis of Dirichlet Energies as Over-smoothing Measures
von: Bison, Anna, et al.
Veröffentlicht: (2025)

Unveiling the Actual Performance of Neural-based Models for Equation Discovery on Graph Dynamical Systems
von: Cappi, Riccardo, et al.
Veröffentlicht: (2025)

Discrete World Models via Regularization
von: Bizzaro, Davide, et al.
Veröffentlicht: (2026)

Learning neuro-symbolic convergent term rewriting systems
von: Petruzzellis, Flavio, et al.
Veröffentlicht: (2025)

Assessing the Emergent Symbolic Reasoning Abilities of Llama Large Language Models
von: Petruzzellis, Flavio, et al.
Veröffentlicht: (2024)

A tree-based kernel for graphs with continuous attributes
von: Martino, Giovanni Da San, et al.
Veröffentlicht: (2015)

Simple and Effective Transfer Learning for Neuro-Symbolic Integration
von: Daniele, Alessandro, et al.
Veröffentlicht: (2024)

Deep Symbolic Learning: Discovering Symbols and Rules from Perceptions
von: Daniele, Alessandro, et al.
Veröffentlicht: (2022)

TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series
von: Nikitin, Alexander, et al.
Veröffentlicht: (2023)

Generating Graphs via Spectral Diffusion
von: Minello, Giorgia, et al.
Veröffentlicht: (2024)

Exact Computation of Any-Order Shapley Interactions for Graph Neural Networks
von: Muschalik, Maximilian, et al.
Veröffentlicht: (2025)

On the Theoretical Limitations of Embedding-based Link Prediction
von: Badreddine, Samy, et al.
Veröffentlicht: (2025)

From Text to Talent: A Pipeline for Extracting Insights from Candidate Profiles
von: Frazzetto, Paolo, et al.
Veröffentlicht: (2025)

Iterative In-Context Learning to Enhance LLMs Abstract Reasoning: The Case-Study of Algebraic Tasks
von: Fioravanti, Stefano, et al.
Veröffentlicht: (2025)

Diffusion-Free Graph Generation with Next-Scale Prediction
von: Belkadi, Samuel, et al.
Veröffentlicht: (2025)

WaveStitch: Flexible and Fast Conditional Time Series Generation with Diffusion Models
von: Shankar, Aditya, et al.
Veröffentlicht: (2025)

A Flexible, Equivariant Framework for Subgraph GNNs via Graph Products and Graph Coarsening
von: Bar-Shalom, Guy, et al.
Veröffentlicht: (2024)

Hyperbolic Geometric Latent Diffusion Model for Graph Generation
von: Fu, Xingcheng, et al.
Veröffentlicht: (2024)

Graph Signal Generative Diffusion Models
von: Uslu, Yigit Berkay, et al.
Veröffentlicht: (2025)

Reverse Transition Kernel: A Flexible Framework to Accelerate Diffusion Inference
von: Huang, Xunpeng, et al.
Veröffentlicht: (2024)

SBGD: Improving Graph Diffusion Generative Model via Stochastic Block Diffusion
von: Su, Junwei, et al.
Veröffentlicht: (2025)

IDEA: A Flexible Framework of Certified Unlearning for Graph Neural Networks
von: Dong, Yushun, et al.
Veröffentlicht: (2024)

Graph Generation with Diffusion Mixture
von: Jo, Jaehyeong, et al.
Veröffentlicht: (2023)

Spectral Guidance for Flexible and Efficient Control of Diffusion Models
von: Moreira, Gabriel, et al.
Veröffentlicht: (2026)

Graph Representation Learning with Diffusion Generative Models
von: Wesego, Daniel
Veröffentlicht: (2025)

How Compositional Generalization and Creativity Improve as Diffusion Models are Trained
von: Favero, Alessandro, et al.
Veröffentlicht: (2025)

RelDiff: Relational Data Generative Modeling with Graph-Based Diffusion Models
von: Hudovernik, Valter, et al.
Veröffentlicht: (2025)

Flexible Diffusion Scopes with Parameterized Laplacian for Heterophilic Graph Learning
von: Lu, Qincheng, et al.
Veröffentlicht: (2024)

Do Graph Diffusion Models Accurately Capture and Generate Substructure Distributions?
von: Wang, Xiyuan, et al.
Veröffentlicht: (2025)

Communication-efficient Federated Graph Classification via Generative Diffusion Modeling
von: Wang, Xiuling, et al.
Veröffentlicht: (2026)

Joint Relational Database Generation via Graph-Conditional Diffusion Models
von: Ketata, Mohamed Amine, et al.
Veröffentlicht: (2025)

GraphMaker: Can Diffusion Models Generate Large Attributed Graphs?
von: Li, Mufei, et al.
Veröffentlicht: (2023)

Toward a Unified Geometry Understanding: Riemannian Diffusion Framework for Graph Generation and Prediction
von: Gao, Yisen, et al.
Veröffentlicht: (2025)

Graph Guided Diffusion: Unified Guidance for Conditional Graph Generation
von: Tenorio, Victor M., et al.
Veröffentlicht: (2025)

Graph Defense Diffusion Model
von: He, Xin, et al.
Veröffentlicht: (2025)

Graph Neural Network Training Systems: A Performance Comparison of Full-Graph and Mini-Batch
von: Bajaj, Saurabh, et al.
Veröffentlicht: (2024)

Inference Attacks Against Graph Generative Diffusion Models
von: Wang, Xiuling, et al.
Veröffentlicht: (2026)

Sparse Training of Discrete Diffusion Models for Graph Generation
von: Qin, Yiming, et al.
Veröffentlicht: (2023)

InfoGain Wavelets: Furthering the Design of Graph Diffusion Wavelets
von: Johnson, David R., et al.
Veröffentlicht: (2025)