实验室傅星珵老师论文 ”Hyperbolic Geometric Latent Diffusion Model for Graph Generation”被机器学习领域三大顶会之一的ICML 2024高分录用（分数: 8,7,6,6）。国际机器学习大会（International Conference on Machine Learning，简称 ICML）是机器学习领域最权威的会议之一，与 NeurIPS、ICLR 并列为最具影响力的机器学习三大顶级会议，在中国计算机学会（CCF）推荐会议列表中被列为A类会议。
该论文第一作者为实验室傅星珵老师，通讯作者为实验室副主任李先贤教授与北航计算机学院李建欣教授。
论文地址：
https://arxiv.org/pdf/2405.03188v1
代码连接：
https://github.com/RingBDStack/HypDiff
图生成的目的是根据观察到的图结构数据，生成与其分布相似的新的图结构。它能够帮助人们更好地理解图数据中的关键信息，已经在分子，蛋白质，社交网络等领域起到重要作用。本工作基于双曲几何提出了一种潜扩散模型（Latent Diffusion Model）来实现更好图的拓扑结构生成。首先基于微分几何的思想提出了一种双曲空间的近似扩散过程，实现了直接对非欧结构的低失真连续扩散过程，显著的提升对稀疏离散的拓扑结构的计算效率，并且证明了提出的方法误差下界等同于Klein模型；其次本工作基于双曲空间的几何直观设计了两种几何约束，解决非欧结构在潜空间上的各项异性（anisotropy）学习问题。通过实验证明了，对于离散稀疏的大规模图结构，相对于现有离散的图扩散模型，相同生成效果提出的方法能够减少5倍左右的显存消耗，在少量精度损失的情况下，最高能减少10倍的显存消耗。
