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

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

本文介绍了一种可扩展的图生成模型GRAM，其采用一种新颖的图注意机制和评估方法，在节点/边标签图生成任务中表现出较高的性能。

Jun, 2019

本文提出了一种名为 GRAN 的新型图形回归注意力网络的有效且表达性强的深度生成模型，能够生成高质量大规模图形，同时与之前的 RNN-based 生成模型相比，GRAN 使用了 GNN 和注意力机制更好地捕捉到已生成和待生成部分的条件之间的自回归关系，并在输出分布上采用伯努利分布的混合来捕捉区块内的生成边之间的相关性，同时在处理节点顺序方面也提出了一些新的解决方法。

Oct, 2019

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

本文提出了一个马尔可夫随机场模型来统一解释半监督学习中的标签传播和图神经网络算法， 并给出了一个新的算法叫做线性图卷积， 在实际数据上表现出色。

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

我们提出了一种名为大图生成模型（LGGM）的新型图生成模型，该模型在来自13个不同领域的大量图形语料库（超过5000个图形）上进行训练，并且在零样本生成能力方面优于现有的图生成模型。此外，我们的预训练LGGM可以轻松地通过来自目标领域的图形进行微调，并展现出比从头开始训练的模型更好的性能，作为实际定制的坚实起点。该模型还具备了根据文本提示生成图形的功能（文本到图形），该功能将底层语言模型中的广泛世界知识整合在一起，为用户提供对生成图形的细粒度控制。我们在下面的链接上发布了代码、模型检查点和数据集。

Jun, 2024