arXiv来源发表:
图生成不再靠任务专用启发式：把采样时间交给风险函数，分子与合成图用更少步数出图
核心概要
图生成中的离散流匹配（DFM）把训练与采样解耦，但现有采样器常依赖任务专用启发式，采样预算也与扩散方法相当，加速潜力只实现了一部分。H-GLow 把连续时间马尔可夫链生成器拆成风险函数与条件跳转分布，用这两个量规划图编辑并按图的活动程度动态调整采样时间。它可接到预训练图 DFM 模型上，在分子与合成图基准上以明显更少的采样步数取得更好的生成质量；另有一个直接预测风险与条件跳转的图 DFM 模型，其训练目标可精确分解为风险匹配与风险加权跳转预测。
深度剖析
图生成现在可以按图当前的活动程度决定何时推进采样，而不必沿用固定的采样预算。 此前的图 DFM 采样器多依赖任务专用启发式，超参数空间被显著放大，采样预算也与扩散方法相当。 在分子与合成图基准上，H-GLow 以明显更少的采样步数取得更好的生成质量。
做法是把连续时间马尔可夫链生成器拆成风险函数与条件跳转分布两部分，再用这两个量规划图编辑并动态调整采样时间。 这一拆分让采样策略可以按风险与跳转来安排，而不必为每个任务另设启发式规则。 该框架可适配预训练图 DFM 模型，无需重新训练即可改变采样方式。
另有一个基于条件生成器匹配框架的图 DFM 模型，直接预测风险与条件跳转。 其训练目标可精确分解为风险匹配与风险加权跳转预测两项。 该模型与 H-GLow 一同在分子与合成图基准上评估。
启示与展望
已展示的范围是分子与合成图基准上的生成质量与采样步数对比，以及把该框架适配到预训练图 DFM 模型。
采样步数减少与质量提升以“明显更少”“更好”这类相对表述给出，未报告具体步数与指标数值；结论限于分子与合成图基准。