{"version":"1","article":{"id":"graph-diffusion-models-conditional-memorization","slug":"graph-diffusion-models-conditional-memorization","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","title":"Une étude montre que les contrôles sur les échantillons peuvent manquer la mémorisation conditionnelle des modèles de diffusion de graphes","summary":"Des auteurs affiliés au CNRS et à l’IRISA à Rennes rapportent que, dans des expériences sur des réseaux synthétiques, la diffusion inverse a récupéré un graphe d’entraînement bruité, un phénomène que les métriques usuelles peuvent manquer.","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":["Dans un préprint arXiv du 9 octobre, des chercheurs étudient un modèle discret de diffusion de graphes entraîné sur un seul graphe, à l’aide de modèles synthétiques à blocs stochastiques et deux communautés. Leur expression « mémorisation conditionnelle » désigne la tendance de la diffusion inverse à restaurer les arêtes d’un graphe d’entraînement corrompu lorsqu’elle part de ce graphe ; le même niveau de récupération n’apparaît pas lors du test correspondant sur un graphe inédit. La première page indique l’affiliation d’Adarsh Jamadandi au CNRS et à l’IRISA en France.","Dans l’expérience rapportée avec 256 nœuds, après la corruption de 60 % des arêtes, le modèle a restauré 96,9 % des arêtes du graphe d’entraînement, contre 7,7 % pour une référence qui connaissait uniquement la loi de probabilité génératrice. Il s’agit d’une mesure dans le cadre synthétique de l’article, et non d’une preuve de fuite dans des jeux de données réels ou d’un comportement identique de tous les modèles de génération de graphes. Les auteurs indiquent aussi que les points de contrôle où la structure communautaire apparaît surviennent après le début de la mémorisation, de sorte que l’arrêt précoce ne sépare pas ces deux étapes. Ces résultats suggèrent que les métriques comparant seulement les échantillons générés peuvent manquer un biais lié aux données d’entraînement."],"key_points":[],"sections":[]},"text":"Des auteurs affiliés au CNRS et à l’IRISA à Rennes rapportent que, dans des expériences sur des réseaux synthétiques, la diffusion inverse a récupéré un graphe d’entraînement bruité, un phénomène que les métriques usuelles peuvent manquer.\n\nDans un préprint arXiv du 9 octobre, des chercheurs étudient un modèle discret de diffusion de graphes entraîné sur un seul graphe, à l’aide de modèles synthétiques à blocs stochastiques et deux communautés. Leur expression « mémorisation conditionnelle » désigne la tendance de la diffusion inverse à restaurer les arêtes d’un graphe d’entraînement corrompu lorsqu’elle part de ce graphe ; le même niveau de récupération n’apparaît pas lors du test correspondant sur un graphe inédit. La première page indique l’affiliation d’Adarsh Jamadandi au CNRS et à l’IRISA en France.\n\nDans l’expérience rapportée avec 256 nœuds, après la corruption de 60 % des arêtes, le modèle a restauré 96,9 % des arêtes du graphe d’entraînement, contre 7,7 % pour une référence qui connaissait uniquement la loi de probabilité génératrice. Il s’agit d’une mesure dans le cadre synthétique de l’article, et non d’une preuve de fuite dans des jeux de données réels ou d’un comportement identique de tous les modèles de génération de graphes. Les auteurs indiquent aussi que les points de contrôle où la structure communautaire apparaît surviennent après le début de la mémorisation, de sorte que l’arrêt précoce ne sépare pas ces deux étapes. Ces résultats suggèrent que les métriques comparant seulement les échantillons générés peuvent manquer un biais lié aux données d’entraînement.","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":"Atelier industriel symbolique avec machines, entrepôt et grue.","language":"fr"},"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":"Atelier industriel symbolique avec machines, entrepôt et grue.","language":"fr"}}}