GraphRNN是一种基于自回归模型的图生成模型，可以在没有先验结构假设的情况下模拟任何图分布，并且可以比现有的深度模型扩展到50倍以上规模的生成，而引入的基准测试集和最大平均差异评估方法可以有效评估模型表现。

Feb, 2018

本文提出了一种算法框架Graphite，可利用深度潜在变量生成模型对大型图中的节点进行无监督表示学习，它包含变分自动编码器参数化的图神经网络，并使用受低秩逼近启示的迭代图优化策略。在多种合成和基准数据集上，Graphite优于竞争性方法，用于密度估计、链接预测和节点分类任务。最后，我们推导了图神经网络中的消息传递和均场变分推断之间的理论联系。

Mar, 2018

本文介绍了一种基于矩阵表示的图形正则化框架，利用变分自编码器来实现语义有效性，实验证明和其他方法相比，该方法在采样有效的图形方面具有更高的可能性。

Sep, 2018

本研究提出了一种统一的生成图卷积网络，通过从现有图数据构建生成图序列的采样，在生成模型框架中自适应地学习所有节点的节点表示，同时使用图重构项和自适应KL正则化项对变分下限进行优化，解决了无法处理孤立新节点的问题。

Mar, 2019

本文介绍了一种名为GraphGen的领域无关技术，它使用DFS代码将图形转换成序列，并利用一种新颖的LSTM架构学习图形和语义标签之间的复杂联合分布，从而克服了许多现有技术的局限性，该技术在多个性能指标方面表现优异。

Jan, 2020

本文是深度生成模型应用于图生成任务方面的综述，介绍了深度生成模型的定义与预备知识，无条件图生成与条件图生成的分类、评估度量指标和深度图生成的应用，并提出了五个未来研究方向。

Jul, 2020

本综述对基于深度学习的图形生成方法进行了全面调查，并将其分为自回归，自编码，强化学习，对抗生成和流生成五类，给出了各类方法的详细描述，并介绍了公开源代码，常用数据集和最广泛使用的评估指标，最后强调了现有的挑战和讨论了未来的研究方向。

Dec, 2020

本文提出了一种生成重影图的方法，该图与给定图在许多图属性上相似，但难以用于反向工程，这种方法是图表示学习，生成的对抗网络和图实现算法的组合。通过与几个图生成模型的比较，我们证明了我们的结果几乎不能复制给定的图，但却与其属性密切匹配。我们进一步展示，对于生成的图进行节点分类等下游任务时，其性能类似于使用原始图的性能。

Jan, 2021

本论文提出了一种新颖的构建图的生成模型的方法，该方法使用了进化搜索和图神经网络实现了强大的适应度函数，从而在一定程度上实现了深度生成模型所不具备的优点，如更高的泛化能力和直接的可解释性。

Apr, 2023

本研究解决了深度图学习中的子图查询任务，此任务不同于传统的基于单一组件的图预测，能够联合预测目标子图的多种组成部分。通过引入变分图自编码器(VGAE)和贝叶斯优化，本研究提出了一种新颖的基于概率的深度生成模型，在多项基准数据集上表现出优越的预测性能，AUC分数提升幅度达到0.06到0.2点。

Aug, 2024