신경 마르코프 논리망(NMLN)은 유연한 신경-기호 관계 모델입니다. 기존 연구에 따르면 NMLN은 작은 관계 구조에서는 강력한 생성 모델로 작동하지만, 큰 구조에서는 확산 기반 생성 그래프 모델보다 성능이 떨어집니다.
연구진은 그래프 신경망을 사용하여 잠재 함수 표현력을 높이고, 병렬 템퍼링 마르코프 체인 몬테카를로 방법에서 영감을 받은 새로운 훈련 및 추론 알고리즘인 병렬 노이징을 개발했습니다.
병렬 노이징을 통해 NMLN은 일반적인 확산 기반 생성 그래프 모델에 비해 그래프 생성 성능이 향상되었으며, 작은 분자 구조를 생성할 때 특수 텍스트 기반 순환 모델과 비슷한 성능을 보였습니다.