• generative models
• conditional graph generation
• ddpm
• denoising diffusion
• diffusion models
• classifier-free guidance
• classifier-free diffusion

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.