Diffusion models have become a new SOTA generative modeling method in various fields, for which there are multiple survey works that provide an overall survey. With the number of articles on diffusion models increasing exponentially in the past few years, there is an increasing need for surveys of diffusion models on specific fields. In this work, we are committed to conducting a survey on the graph diffusion models. Even though our focus is to cover the progress of diffusion models in graphs, we first briefly summarize how other generative modeling methods are used for graphs. After that, we introduce the mechanism of diffusion models in various forms, which facilitates the discussion on the graph diffusion models. The applications of graph diffusion models mainly fall into the category of AI-generated content (AIGC) in science, for which we mainly focus on how graph diffusion models are utilized for generating molecules and proteins but also cover other cases, including materials design. Moreover, we discuss the issue of evaluating diffusion models in the graph domain and the existing challenges.


翻译:翻译摘要: 扩散模型已成为多个领域中最先进的生成建模方法之一,已有多篇综述涵盖了其整体概述。随着过去几年扩散模型文章数量的指数增长,需要对其特定领域进行调查。在本论文中,我们致力于对图扩散模型进行调查。尽管我们的重点是涵盖图中扩散模型的进展,但我们首先简要总结其他生成建模方法如何应用于图形。之后,我们介绍了各种形式的图扩散模型机制,从而方便对图扩散模型进行讨论。图扩散模型的应用主要归为科学中AI生成的内容(AIGC)类别,我们主要关注图扩散模型如何用于生成分子和蛋白质,但还涵盖了其他领域,包括材料设计。此外,我们还讨论了在图域中评估扩散模型的问题和现有挑战。

33
下载
关闭预览

相关内容

征稿 | International Joint Conference on Knowledge Graphs (IJCKG)
开放知识图谱
2+阅读 · 2022年5月20日
CNN已老,GNN来了!清华大学孙茂松组一文综述GNN
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
13+阅读 · 2018年12月24日
【推荐】深度学习情感分析综述
机器学习研究会
58+阅读 · 2018年1月26日
【论文】变分推断(Variational inference)的总结
机器学习研究会
37+阅读 · 2017年11月16日
【论文】图上的表示学习综述
机器学习研究会
11+阅读 · 2017年9月24日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
28+阅读 · 2022年9月10日
Arxiv
40+阅读 · 2022年9月6日
A Survey of Deep Learning for Scientific Discovery
Arxiv
29+阅读 · 2020年3月26日
Arxiv
37+阅读 · 2020年3月10日
VIP会员
相关VIP内容
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员