[論文レビュー] Graph-Informed Adversarial Modeling: Infimal Subadditivity of Interpolative Divergences

Panagiota Birmpa, Eric Joseph Hall|arXiv (Cornell University)|Mar 20, 2026

Advanced Graph Neural Networks被引用数 0

ひとこと要約

要約: 本論文はグラフ情報を取り入れたGANに対して、インタポラティブ・ダイバージェンスの下限的部分加法性原理を証明し、全体的な不一致をグラフに整合した局所的判別器で制御可能にすることを示し、理論と実験で検証する。

ABSTRACT

We study adversarial learning when the target distribution factorizes according to a known Bayesian network. For interpolative divergences, including $(f,Γ)$-divergences, we prove a new infimal subadditivity principle showing that, under suitable conditions, a global variational discrepancy is controlled by an average of family-level discrepancies aligned with the graph. In an additive regime, this surrogate is exact. This provides a variational justification for replacing a graph-agnostic GAN with a monolithic discriminator by a graph-informed GAN with localized family-level discriminators. The result does not require the optimizer itself to factorize according to the graph. We also obtain parallel results for integral probability metrics and proximal optimal transport divergences, identify natural discriminator classes for which the theory applies, and present experiments showing improved stability and structural recovery relative to graph-agnostic baselines.

研究の動機と目的

• ターゲット分布が既知のベイズネットワークに従って因子分解する場合の対立的学習を動機付ける。
• グラフに整合した局所的判別器を用いたGiGANフレームワークを導入する。
• 適切な条件のもとでインタポラティブ・ダイバージェンス（(f, Gamma)-ダイバージェンスを含む）の下限的部分加法性を証明する。
• 局所的なファミリーレベルの不一致がグローバル目的関数を下支えする代替として、単一のモノリシックなグラフ非依存判別器を置換できることを示す。

提案手法

• ベイズネットワークの因子分解 Q(dx1,...,dxn) = product_i Q_{i|Pa(i)}(dx_i) を形式化する。
• 各ノードとその親に対する条件期待値 I_{i,Pa(i)}[γ] を介して局所的な判別器を定義する。
• インタポラティブ・ダイバージェンスに対するα線形の一般化下限的部分加法性境界を展開する。
• IPMと近接最適輸送ダイバージェンスについても類似の結果を証明する。
• 局所的なファミリー不一致がグローバル目的を上回る境界を与える理論的保証を提示する。

実験結果

リサーチクエスチョン

• RQ1 ターゲットがベイズネットワークに従って因子分解する場合、インタポラティブ・ダイバージェンスは部分加法性型の性質を満たすことができるか。
• RQ2 最適化子が因子分解を要求せずに、GANの目的を局所的にグラフ整合させる判別器を設計できるか。
• RQ3 (f, Gamma)-ダイバージェンス以外のIPMや近接OTダイバージェンスへも下限的部分加法性の結果は拡張されるか。
• RQ4 グラフ情報を取り入れた判別器がGANの安定性や構造的復元性に与える実用的影響は何か。

主な発見

• インタポラティブ・ダイバージェンスは、適切な条件の下でα線形の一般化された下限的部分加法性を満たす。
• 古典的なf-ダイバージェンスは1/n線形の一般化された下限的加法性を満たす一方、インタポラティブ・ダイバージェンスはより弱い下限的部分加法性を許容する。
• GiGANは最適化子の因子分解を要求せず、局所的でグラフ整合した判別器に置換可能である。
• 理論はIPMと近接OTダイバージェンスへも拡張され、グラフ情報を取り入れた対立的学習を広く正当化する。
• 実験は、グラフ非依存なベースラインと比較してGiGANが安定性と構造復元性を改善することを示す。