ترجمه فارسی مقاله انتشار گام تصادفی برای تولید کارآمد گراف در مقیاس بزرگ

چکیده

Graph generation addresses the problem of generating new graphs that have a data distribution similar to real-world graphs. While previous diffusion-based graph generation methods have shown promising results, they often struggle to scale to large graphs. In this work, we propose ARROW-Diff (AutoRegressive RandOm Walk Diffusion), a novel random walk-based diffusion approach for efficient large-scale graph generation. Our method encompasses two components in an iterative process of random walk sampling and graph pruning. We demonstrate that ARROW-Diff can scale to large graphs efficiently, surpassing other baseline methods in terms of both generation time and multiple graph statistics, reflecting the high quality of the generated graphs.

چکیده به فارسی (ترجمه ماشینی)

Graph Generation به مشکل تولید نمودارهای جدید که توزیع داده مشابه نمودارهای دنیای واقعی دارند ، می پردازد.در حالی که روشهای قبلی تولید نمودار مبتنی بر انتشار نتایج امیدوار کننده ای را نشان داده اند ، آنها اغلب برای مقیاس به نمودارهای بزرگ تلاش می کنند.در این کار ، ما Arrow-DIFF (انتشار پیاده روی تصادفی خودکار) را پیشنهاد می کنیم ، یک رویکرد انتشار مبتنی بر پیاده روی تصادفی جدید برای تولید گرافیک در مقیاس بزرگ کارآمد.روش ما شامل دو مؤلفه در یک فرآیند تکراری از نمونه گیری پیاده روی تصادفی و هرس نمودار است.ما نشان می دهیم که Arrow-DIFF می تواند به نمودارهای بزرگ به طور مؤثر مقیاس کند و از سایر روشهای پایه از نظر زمان تولید و آمار نمودار چندگانه پیشی بگیرد و این نشان دهنده کیفیت بالای نمودارهای تولید شده است.