{"version":"1","article":{"id":"graph-diffusion-models-conditional-memorization","slug":"graph-diffusion-models-conditional-memorization","language":"es","url":"https://haberpaper.com/es/news/graph-diffusion-models-conditional-memorization","api_url":"https://haberpaper.com/api/v1/articles/graph-diffusion-models-conditional-memorization?lang=es","title":"Un estudio advierte que las comprobaciones habituales de muestras pueden pasar por alto la memorización condicional en difusión de grafos","summary":"Autores vinculados a CNRS IRISA en Rennes informan que, en experimentos con redes sintéticas, la difusión inversa recuperó un grafo de entrenamiento alterado, algo que pueden omitir las métricas habituales de muestras.","category":"business","region":"world","topics":["ai"],"published_at":"2026-10-13T20:11:52+03:00","modified_at":"2026-10-13T20:11:52+03:00","publication_basis":"publication-record","event_period":"2026-10-09","event_period_basis":"event-or-reference-period","sources":[{"name":"arXiv","url":"https://arxiv.org/html/2610.13786v1","publishedAt":"2026-10-09","checkedAt":"2026-10-13"}],"translations":[{"language":"tr","url":"https://haberpaper.com/tr/news/graph-diffusion-models-conditional-memorization","api_url":"https://haberpaper.com/api/v1/articles/graph-diffusion-models-conditional-memorization?lang=tr"},{"language":"en","url":"https://haberpaper.com/en/news/graph-diffusion-models-conditional-memorization","api_url":"https://haberpaper.com/api/v1/articles/graph-diffusion-models-conditional-memorization?lang=en"},{"language":"ar","url":"https://haberpaper.com/ar/news/graph-diffusion-models-conditional-memorization","api_url":"https://haberpaper.com/api/v1/articles/graph-diffusion-models-conditional-memorization?lang=ar"},{"language":"fr","url":"https://haberpaper.com/fr/news/graph-diffusion-models-conditional-memorization","api_url":"https://haberpaper.com/api/v1/articles/graph-diffusion-models-conditional-memorization?lang=fr"},{"language":"es","url":"https://haberpaper.com/es/news/graph-diffusion-models-conditional-memorization","api_url":"https://haberpaper.com/api/v1/articles/graph-diffusion-models-conditional-memorization?lang=es"}],"data_types":[],"data":null,"data_compilations":[],"data_downloads":[],"content":{"paragraphs":["En un preprint de arXiv del 9 de octubre, los investigadores estudian un modelo discreto de difusión de grafos entrenado con un solo grafo mediante modelos estocásticos sintéticos de bloques con dos comunidades. Su término «memorización condicional» describe la tendencia de la difusión inversa a restaurar aristas de un grafo de entrenamiento alterado cuando parte de ese grafo; el mismo grado de recuperación no apareció en la prueba correspondiente con un grafo no visto. La primera página indica la afiliación de Adarsh Jamadandi con CNRS e IRISA en Francia.","En el experimento comunicado con 256 nodos, tras alterar el 60 % de las aristas, el modelo recuperó el 96,9 % de las aristas del grafo de entrenamiento, frente al 7,7 % de un método de referencia que solo conocía la ley de probabilidad generadora. Es una medición dentro del entorno sintético del artículo, no una prueba de filtración en datos reales ni de un comportamiento idéntico en todos los modelos de generación de grafos. Los autores también indican que los puntos de control donde aparece la estructura comunitaria llegan después del inicio de la memorización, por lo que detener el entrenamiento antes no separó ambas etapas. Los resultados sugieren que las métricas que comparan únicamente muestras generadas pueden pasar por alto sesgos hacia los datos de entrenamiento."],"key_points":[],"sections":[]},"text":"Autores vinculados a CNRS IRISA en Rennes informan que, en experimentos con redes sintéticas, la difusión inversa recuperó un grafo de entrenamiento alterado, algo que pueden omitir las métricas habituales de muestras.\n\nEn un preprint de arXiv del 9 de octubre, los investigadores estudian un modelo discreto de difusión de grafos entrenado con un solo grafo mediante modelos estocásticos sintéticos de bloques con dos comunidades. Su término «memorización condicional» describe la tendencia de la difusión inversa a restaurar aristas de un grafo de entrenamiento alterado cuando parte de ese grafo; el mismo grado de recuperación no apareció en la prueba correspondiente con un grafo no visto. La primera página indica la afiliación de Adarsh Jamadandi con CNRS e IRISA en Francia.\n\nEn el experimento comunicado con 256 nodos, tras alterar el 60 % de las aristas, el modelo recuperó el 96,9 % de las aristas del grafo de entrenamiento, frente al 7,7 % de un método de referencia que solo conocía la ley de probabilidad generadora. Es una medición dentro del entorno sintético del artículo, no una prueba de filtración en datos reales ni de un comportamiento idéntico en todos los modelos de generación de grafos. Los autores también indican que los puntos de control donde aparece la estructura comunitaria llegan después del inicio de la memorización, por lo que detener el entrenamiento antes no separó ambas etapas. Los resultados sugieren que las métricas que comparan únicamente muestras generadas pueden pasar por alto sesgos hacia los datos de entrenamiento.","corrections":[],"editorial_illustration":{"kind":"symbolic-editorial-illustration","documentary":false,"scope":"section","asset_id":"business","url":"https://haberpaper.com/assets/illustrations/business-1536.webp","width":1536,"height":1024,"alt":"Taller industrial simbólico con maquinaria, almacén y grúa.","language":"es"},"section_illustration":{"kind":"symbolic-editorial-illustration","documentary":false,"scope":"section","asset_id":"business","url":"https://haberpaper.com/assets/illustrations/business-1536.webp","width":1536,"height":1024,"alt":"Taller industrial simbólico con maquinaria, almacén y grúa.","language":"es"}}}