SNACK: un framework di notazione sequenziale per la generazione probabilistica di grafi

Abstract degli autori

Presentiamo SNACK, una rappresentazione sotto forma di stringa per la generazione probabilistica di grafi che consente ai modelli sequenziali di generare e modellare grafi con caratteristiche discrete dei nodi e degli archi. SNACK linearizza i grafi codificando gli elementi non nulli della matrice di adiacenza triangolare inferiore, stabilendo una corrispondenza biunivoca tra sequenze valide e matrici di adiacenza ordinate. Questa struttura permette di mascherare i logit non validi per imporre vincoli strutturali, come la valenza chimica e le regole di ordinamento, garantendo che il 100% delle sequenze generate sia valido. SNACK consente inoltre di addestrare GFlowNet sulle stringhe secondo un approccio fondato, tenendo esplicitamente conto delle simmetrie nell’ordinamento dei nodi. Nei compiti standard di generazione di grafi e nei benchmark di apprendimento delle distribuzioni molecolari, SNACK ottiene una qualità dei campioni competitiva, migliorando al contempo in misura sostanziale la velocità di elaborazione nell’addestramento di GFlowNet rispetto alla generazione basata su grafi. Le analisi di probing mostrano inoltre che i modelli addestrati con SNACK codificano strutture locali e globali significative dei grafi, pur ricevendo soltanto una supervisione sequenziale. Questi risultati fanno di SNACK un framework pratico per la generazione probabilistica di grafi con modelli sequenziali profondi.