论文提出结合 graphette 结构先验与流匹配的图生成框架 Flowette。
资讯摘要
论文提出 Flowette，一种面向含重复子图模体的图生成连续流匹配框架，用基于图神经网络的 transformer 学习节点与边属性图表示上的速度场。模型通过最优传输耦合实现拓扑感知对齐，并用端点与化学感知正则保持结构保真。作者还提出 graphette，一类可对环、星、树等模体做受控结构编辑的概率图结构模型，推广了 graphon。论文给出耦合、不变性与结构性质的理论分析，在合成与分子基准上评估，并通过消融分离结构先验、最优传输耦合与正则项的贡献；作者报告在多个基准的若干指标上取得最优结果。
要点速读
- Flowette 用 GNN-based transformer 学习图表示上的速度场，并以最优传输耦合与端点、化学感知正则约束生成。
- 论文提出 graphette 概率图结构模型，通过受控结构编辑刻画环、星、树等模体，推广 graphon。
- 作者在合成与分子基准上评估并做消融，报告多个指标达到最优，同时分析耦合、不变性与结构性质。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/29 08:00:21（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。