图扩散新论文：用潜在社交性先验替代边独立假设
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载边独立假设为何失效
论文关注的是无节点特征条件下的无条件图生成。现有离散图扩散模型用马尔可夫噪声模型对图结构做独立的边更新，同时要求输出分布满足可交换性。作者推导出，这两点结合后，终态先验只能是 Erdős–Rényi 随机图。由此产生一个根本性后果：在大图极限下，任何 GNN 去噪器施加于 E-R 图之后，输出近似仍是 E-R 图，去噪因此难以真正起作用。落到实际生成结果上，模型无法恢复有意义的节点异质性与高阶结构。作者认为，此前的工作把这一问题当作表达能力不足，转而引入专门的节点特征来补偿，却始终没有审视先验本身扮演的角色。
联合扩散与社交性先验
作者选择从根源入手，提出潜在社交性先验（LSP）以及一个联合扩散过程。该过程让潜在节点社交性变量与图结构共同演化，从而移除边独立性，同时不破坏可交换性。与已有的潜在图扩散方法相比，这一社交性机制不需要复杂的编码器，它的唯一职责是引导边更新，并在整条扩散轨迹中维持节点异质性。换句话说，节点之间的差异不再依赖外部特征注入，而是由先验中的潜在变量在扩散过程中持续携带。
验证与发表信息
作者在多个图生成数据集上验证了该框架，结果显示，相比不带节点特征的基线方法，所提方法能更准确地刻画图分布。论文被 NeurIPS 2026 接收，归类于机器学习与人工智能方向，arXiv 编号为 2610.13765，提交时间为 2026 年 10 月 9 日，第一作者为 Adarsh Jamadandi，另有两位合作者。全文以 PDF 与实验性 HTML 形式提供，并附有音频摘要。
为什么值得看
从先验层面解释图扩散去噪失效的根因，并给出无需节点特征的替代方案，对图生成研究者有直接参考价值。
信源1 家
关键事实
论文题为 When Edge Independence Fails: Joint Graph Diffusion with Latent Sociability Priors，作者为 Adarsh Jamadandi、Nicolas Ke…[1]
论文指出独立边更新加马尔可夫噪声、再配合可交换性要求，终态先验必然是 Erdős–Rényi 随机图[1]
在大图极限下，GNN 去噪器作用于 E-R 图后近似仍输出 E-R 图，使有效去噪变得困难[1]
作者提出潜在社交性先验（LSP）与联合扩散过程，让潜在节点社交性变量与图结构共同演化，去掉边独立性同时保留可交换性[1]
该机制不需要复杂编码器，其唯一作用是引导边更新并在整个轨迹中保持节点异质性；论文被 NeurIPS 2026 接收[1]
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。