用于图生成模型评估的曲率过滤
Curvature Filtrations for Graph Generative Model Evaluation
AI总结：
本文提出将图曲率描述子与拓扑数据分析方法结合，构建稳健且高表达力的描述子，用于改进图生成模型的评估。
摘要：
图生成模型的评估需要在分布层面理解图之间的差异，这要求能够高效地利用图的显著属性。曲率就是这样一种属性，近年来已被证明在刻画图方面具有实用价值。然而，其表达性质、稳定性以及在模型评估中的实际效用仍基本未被探索。我们将图曲率描述子与拓扑数据分析中的新兴方法相结合，以获得用于评估图生成模型的稳健且具有表达力的描述子。
英文摘要：
Graph generative model evaluation necessitates understanding differences between graphs on the distributional level. This entails being able to harness salient attributes of graphs in an efficient manner. Curvature constitutes one such property that has recently proved its utility in characterising graphs. Its expressive properties, stability, and practical utility in model evaluation remain largely unexplored, however. We combine graph curvature descriptors with emerging methods from topological data analysis to obtain robust, expressive descriptors for evaluating graph generative models.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
