본 논문은 그래프 상의 복잡한 확률 분포를 포착하는 데 뛰어난 성능을 보이는 심층 생성 모델(DGMs)의 한계점을 해결하기 위해 확률적 그래프 회로(PGCs) 프레임워크를 제안합니다. 기존 DGMs는 비선형 변환으로 인해 기본적인 추론 질의에도 근사 또는 특정 질의에만 적용 가능한 설계 선택이 필요하지만, PGCs는 그래프의 임의 부분에 대해 정확하고 효율적인 확률적 추론을 제공합니다. 그러나 그래프의 순열 불변성을 유지하면서 정확성과 효율성을 동시에 달성하는 것은 어렵기 때문에, 순열 불변성을 유지하기 위한 두 가지 대안 전략 (효율성 희생, 정확성 희생)을 제시하고, 이를 실험적으로 검증합니다. 특히, 순열 불변성을 무시하는 것이 이상 탐지에 심각한 영향을 미칠 수 있음을 보이고, 정확성을 희생하는 접근 방식이 분자 그래프 생성에서 기존의 intractable DGMs와 비교하여 경쟁력이 있음을 보여줍니다.
