잠재 혼합 스케줄링을 통한 미세 조정된 그래프 생성

Fine-Grained Graph Generation through Latent Mixture Scheduling

구조 인식 그래프 생성은 주어진 위상적 속성을 만족하는 그래프를 생성하는 것을 목표로 하며, 신약 개발, 소셜 네트워크 모델링, 지식 그래프 구축 등 다양한 분야에 응용됩니다. 기존 방법들이 그래프 속성에 대한 제한적인 제어만 제공하는 것과 달리, 본 연구에서는 그래프 생성 시 미세한 구조적 제어를 가능하게 하는 새로운 조건부 변분 오토인코더를 제안합니다. 제안하는 방법은 디코더의 잠재 공간을 동적으로 정렬하여 그래프의 충실도와 제어 만족도를 향상시킵니다. 구체적으로, 그래프와 속성 기반 표현을 점진적으로 통합하는 혼합 스케줄러를 구현하여 제어 우선순위를 조정합니다. 실제 데이터셋 5개에 대한 실험 결과, 제안하는 모델이 최근의 기준 모델보다 우수한 성능을 보이며, 높은 생성 품질과 함께 높은 제어 가능성을 유지하는 것을 확인했습니다.

Structure aware graph generation aims to generate graphs that satisfy given topological properties. It has applications in domains such as drug discovery, social network modeling, and knowledge graph construction. Unlike existing methods that only provide coarse control over graph properties, we introduce a novel conditional variational autoencoder for fine-grained structural control in graph generation. The approach refines the decoder's latent space by dynamically aligning graph- and property-driven representations to improve both graph fidelity and control satisfaction. Specifically, the approach implements a mixture scheduler that progressively integrates graph and control priors. Experiments on five real-world datasets show the efficacy of the proposed model compared to recent baselines, achieving high generation quality while maintaining high controllability.