logo SBA

ETD

Archivio digitale delle tesi discusse presso l’Università di Pisa

Tesi etd-10252023-185749


Tipo di tesi
Tesi di laurea magistrale
Autore
NINNIRI, MATTEO
URN
etd-10252023-185749
Titolo
Classifier-Free Diffusion process for conditional graph generation
Dipartimento
INFORMATICA
Corso di studi
INFORMATICA
Relatori
relatore Prof. Bacciu, Davide
relatore Dott. Podda, Marco
Parole chiave
  • classifier-free diffusion
  • classifier-free guidance
  • conditional graph generation
  • ddpm
  • denoising diffusion
  • diffusion models
  • generative models
Data inizio appello
01/12/2023
Consultabilità
Tesi non consultabile
Riassunto
This thesis proposes an improvement of a Graph Generative Model known as DiGress. The proposed solution employs a classifier-free guidance, as well as other enhancements, in order to improve its conditional generative capabilities. The solution has been tested on the QM9 and ZINC-250k datasets, where it scored a Mean Absolute Error up to four times lower than classifier-based methods.

Questa tesi propone un miglioramento per un Modello Generativo per Grafi noto come DiGress. La soluzione proposta impiega una guida senza classificatore, e altre migliorie, ai fini di migliorarne le capacità generative condizionali. La soluzione è stata testata sui dataset molecolari QM9 e ZINC-250k, dove sono stati registrati degli Errori Assoluti Medi fino a quattro volte inferiori rispetto a quanto registrato da guide basate su classificatori.
File