SBGD verbessert Graph Diffusion Generative Models durch stochastische Blockdiffusion

Graph‑Diffusion‑Generative‑Modelle (GDGMs) haben sich als leistungsstarke Werkzeuge zur Erzeugung hochwertiger Graphen etabliert. Ihre breite Anwendung stößt jedoch an zwei Grenzen: die Skalierbarkeit ist durch hohe Speicheranforderungen eingeschränkt, und die Modelle generalisieren schlecht auf Graphen unterschiedlicher Größe.

Die neue Methode „stochastische Blockgraph‑Diffusion“ (SBGD) löst diese Probleme, indem sie Graphen in einen Block‑Graph‑Raum überführt. Dieser Raum nutzt strukturelle Vorwissen aus realen Graphmustern, reduziert die Speicherkomplexität erheblich und ermöglicht die Verarbeitung von sehr großen Graphen.

Experimentelle Ergebnisse zeigen, dass SBGD die Speicher­belastung um bis zu sechsmal senkt, während die Generierungsqualität gleichwertig oder sogar besser bleibt als bei aktuellen Spitzenmodellen. Zudem demonstriert die Methode eine deutlich verbesserte Generalisierung auf nicht im Trainingsdatensatz vorkommende Graphgrößen.

Damit stellt SBGD nicht nur einen skalierbaren und effektiven Ansatz für GDGMs dar, sondern verdeutlicht auch das Prinzip der Modularisierung im generativen Modellieren, was weitreichende Implikationen für die Zukunft der Graphgenerierung hat.