学习图的深度生成模型

Mar, 2018

Learning Deep Generative Models of Graphs

Yujia Li, Oriol Vinyals, Chris Dyer, Razvan Pascanu, Peter Battaglia

TL;DR本文介绍了一种基于图神经网络的强大新方法，用于学习生成模型的过程中捕获图的结构和属性。实验证明，相较于不使用图结构表示的基线，我们的模型常常表现更好，是学习任意图的生成模型的第一个最通用的方法，为从矢量和序列式知识表示的限制中走向更具表现力和灵活性的关系型数据结构开辟了新方向。

Abstract

Graphs are fundamental data structures which concisely capture the relational structure in many important real-world domains, such as knowledge graphs, physical and social interactions, language, and chemistry. Here we introduce a powerful new approach for learning generative models ov

graph neural networks generative models probabilistic dependencies arbitrary graphs relational data structures

发现论文，激发创造

深度生成模型用于图形生成的系统调查

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

图神经网络：方法和应用综述

本文介绍了图神经网络（GNNs）的设计管道，详细讨论了其各个组成部分的变体，对其应用进行了系统分类，并提出了四个开放性问题供未来研究。

Dec, 2018

解缠深度动态图生成

本文提出了一种新的因式化深度生成模型框架，旨在实现可解释的动态图形生成，并提出了各种生成模型，以表征节点、边、静态和动态因子之间的条件独立性，并基于新设计的因子化变分自编码器和循环图解卷积提出了变分优化策略和动态图解码器。多个数据集上的广泛实验验证了所提出模型的有效性。

Oct, 2020

GraphGAN: 生成对抗网络用于图形表示学习

该论文提出了 GraphGAN，一种结合生成模型和判别模型的图形表示学习框架，其中两个模型玩一个博弈论最小最大化游戏来提高它们的性能，同时还提出了一种新的图形 softmax 来克服传统 softmax 函数的局限性。在真实世界的数据集上广泛实验表明，GraphGAN 在各种应用中都比现有技术取得了实质性的收益，包括链接预测、节点分类和推荐。

Nov, 2017

图神经网络与概率图模型的交叉：综述

该研究综述了图神经网络和概率图形模型的交叉应用，探讨了 GNN 如何受益于 PGM 学习结构表示，如何实现更有效的推理和结构学习，以及分析了近期研究中使用的基准数据集和未来研究方向。

May, 2022

基于图的生成式编码建模

本研究提出了一种新的基于图的生成模型，可用于产生源代码中的语义有意义的表达式，并在实验中胜过多种强基线模型。

May, 2018

Graphite: 迭代式图形生成建模

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

学习图神经网络的离散结构

本文提出了一种联合学习图结构和图卷积网络参数的方法，从而可以在不完整、损坏或无法使用图的场景中应用图卷积网络，并通过实验证明，该方法的性能显著优于相关方法。

Mar, 2019

图神经网络在不必要的情况下使用图

图神经网络在图数据上学习的支配方法中，普遍存在过拟合图结构的现象，本研究通过对不同图分布进行分析，提出了一种理论解释和图编辑方法，以减轻图神经网络对应该被忽略的图结构的过拟合问题，并在多个基准测试中验证了该方法的有效性。

Sep, 2023

生成 Doppelganger 图：类似但不同

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