深度图形翻译
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
我们提出了一种名为 ' 时间图生成对抗网络 ' 的新模型,它能够连续地生成时间图,并针对回归神经网络设计了一些新的激活函数,以强制实施时间合法性约束,以及一种新的时间图鉴别器,以提高效率和准确性。
May, 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
介绍了一种基于深度卷积神经网络以及条件生成式对抗网络的通用方法,通过非监督学习来解决图像转换问题,实现了不同域之间的图像转换,并且在多样性方面表现出了很好的通用性。
Jan, 2017
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。
Mar, 2018
本文提出了一种名为 “图变压器” 的模型,使用显式关系编码并允许两个远程节点之间的直接通信。与局部邻域信息交换的图神经网络不同,它提供了一种更有效的全局图结构建模方式,并在抽象意义表示文本生成和基于句法的神经机器翻译应用中表现出优异的性能。
Nov, 2019
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