2023年12月14日 · Much of the recent progress in AI-generated image, video, and audio content has been driven by denoising diffusion —a technique that iteratively shapes random noise into novel samples of the data.

2023年6月19日 · 图数据 (Graph-based Data) 可以保存现实世界实体（节点）之间丰富多样的关系信息，包括实体间的关联联系、属性特征、以及拓扑结构，已经在 社交网络分析 、推荐系统、生物信息学等领域有广泛的应用。 图生成模型 旨在理解和学习现有的图数据分布，并合成新的图样本。 这对于研究图数据中潜在的图结构关系，理解现有数据中的模式、关联和隐藏的信息具有重要的意义。 生成模型可以用于探索图数据不同尺度的关系、发现社区结构、预测节点属性等。 …

2023年2月6日 · In this paper, we first provide a comprehensive overview of generative diffusion models on graphs, In particular, we review representative algorithms for three variants of graph diffusion models, i.e., Score Matching with Langevin Dynamics (SMLD), Denoising Diffusion Probabilistic Model (DDPM), and Score-based Generative Model (SGM).

2023年10月11日 · The goal of this state-of-the-art report (STAR) is to introduce the basic mathematical concepts of diffusion models, implementation details and design choices of the popular Stable Diffusion model, as well as overview important aspects of these generative AI tools, including personalization, conditioning, inversion, among others.

2023年12月20日 · EDGE 是发表在ICML'23 的一篇论文，其全名为《Efficient and Degree-Guided Graph Generation via Discrete Diffusion Modeling》。 该工作设计了一种高效的离散图扩散模型，并且可以通过指定节点度来实现度指导的图生成过程，取得了非常好的图生成效果。

图 卷积神经网络 （GCN），也被称为消息传递网络（MPNN），在每一层的相邻节点之间传递信息，然后聚合这些信息，形成下一层的嵌入。 虽然MPNN在深层中聚合到了高阶邻域的信息，但是将每一层聚合到信息限制在一跳内的做法在一定程度上会限制模型的性能。 由于MPNN方法只使用邻域的信息，因此MPNN也被称为空间方法，除此之外，GNN的另一类主流方法是基于频谱的方法。 基于频谱的方法可以捕获更为复杂的图属性，同时也有着严格的数学推导证明。 虽然谱方 …

2023年6月4日 · DiGress在分子和非分子数据集上实现了最先进的性能，在平面图数据集上获得了高达3倍的有效性改进。 它也是第一个在不使用分子特定表示的情况下扩展到包含1.3M药物类分子的大型GuacaMol数据集的模型。 扩散模型是一类强大的生成模型。 这些模型通过训练去噪扩散轨迹并通过采样噪声并递归去噪来生成新样本。 扩散模型已成功地应用于各种场景，在图像和视频上表现优于其他所有方法。 这些成功引发了对于构建强大的图生成模型的希望，这是一个具有 …

2022年11月21日 · By optimizing a differentiable vector graphics rasterizer, our method, VectorFusion, distills abstract semantic knowledge out of a pretrained diffusion model. Inspired by recent text-to-3D work, we learn an SVG consistent with …

We propose graph diffusion convolution (GDC), a method based on sparsified generalized graph diffusion. GDC is a more powerful, yet spatially localized extension of message passing in GNNs, but able to enhance any graph-based model.

WHAT IS IT? Diffusion Graphics is unlike most other NetLogo models, in that it really doesn't 'model' anything. It simply explores the power behind an interesting patch primitive: 'diffuse'. It's not intended to closely model real heat, just a number that behaves something like heat -- that slowly spreads itself evenly across a plane. HOW IT WORKS