FLAGG: 유연한 자기회귀 그래프 생성 (Flexible Autoregressive Graph Generation)

심층 그래프 생성 (Deep Graph Generation)의 전경은 두 가지 극단, 즉 원샷 (one-shot) 모델과 순차적 (sequential) 모델로 나뉩니다. 전자는 노드 (nodes)와 에지 (edges)를 공동으로 생성하는 반면, 후자는 이를 자기회귀적 (autoregressively)으로 샘플링합니다. 각 방법은 크기와 위상 (topology)에 따라 서로 다른 그래프 도메인에서 더 나은 성능을 발휘하지만, 두 방법 모두 모든 그래프 범주에 적용할 수는 없습니다. 예를 들어, 원샷 방식은 대규모 그래프를 생성하는 데 어려움을 겪는 반면, 순차적 방식은 소규모 그래프에서 성능이 저하됩니다. 이러한 한계를 극복할 수 있는 가능한 방법은 독특한 시스템 내에서 두 방법을 유연하게 결합하는 것입니다. 본 연구에서는 원샷 모델을 사용하여 그래프의 일부를 순차적으로 생성하는 FLAGG (Flexible Autoregressive Graph Generation) 프레임워크를 제안합니다. FLAGG는 어떤 원샷 모델이라도 적용하여 자기회귀적으로 만들 수 있어, 순차적 정책 (sequential policy)을 선택하는 데 유연성을 제공합니다. 이 정책은 확률적 노드 제거 프로세스 (stochastic node removal process)를 통해 지정되며, 삽입 모델 (Insertion Model)은 이를 역전시키는 법을 학습합니다. 우리는 다양한 그래프 크기와 도메인의 여러 데이터셋에서 DiGress 원샷 모델을 사용하여 FLAGG를 평가합니다. 우리는 이 접근 방식이 샘플링 품질 측면에서 원샷 및 자기회귀 베이스라인 (baselines) 모두보다 뛰어난 성능을 보임을 입증합니다.