标记图生成对抗网络

Jun, 2019

Labeled Graph Generative Adversarial Networks

Shuangfei Fan, Bert Huang

TL;DR本研究提出了一种名为LGGAN的有标签图生成对抗网络，用于训练基于节点标签的图结构数据的深度生成模型，并在各种类型的图数据集上进行了测试，其结果表明我们的模型可以生成符合训练数据的结构特征的多样化的标记图，并优于所有另一种方法的质量和普适性。此外，经过下游任务进行的生成图的质量评价，结果表明LGGAN可以忠实地捕捉图结构的重要方面。

Abstract

As a new way to train generative models, generative adversarial networks (GANs) have achieved considerable success in image generation, and this framework has also recently been applied to data with graph structures. We identify the drawbacks of existing deep frameworks for generating

发现论文，激发创造

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

基于生成对抗网络的图半监督学习

研究使用生成式对抗网络来帮助半监督图学习，提出GraphSGAN方法，在该方法中，生成器和分类器网络进行竞争性博弈，生成器通过在子图之间的低密度区域生成假样本来平衡，分类器通过隐式考虑子图密度属性来区分真实样本和假样本。实验结果表明，GraphSGAN显著优于几种现有方法。

Sep, 2018

用于生长图的生成图卷积网络

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

TG-GAN: 基于深度生成模型的连续时间时序图形生成

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

场景图预测的生成组合增强

通过使用合成的稀有场景图并基于条件生成对抗网络的模型，可以解决在场景图生成中面临的组合泛化问题，提高新颖组合成分的准确性

Jul, 2020

对抗性有向图嵌入

本文提出基于生成对抗网络的新型有向图嵌入框架 DGGAN，该框架可以联合学习每个节点的源向量和目标向量，并且在多项有向图挖掘任务上优于现有的最先进方法。

Aug, 2020

深度图生成器：综述

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

LIC-GAN：语言信息条件图生成 GAN 模型

该研究介绍了一种使用语言模型和生成对抗网络相结合的方法，通过优化可微模型，直接生成图形，以此解决了在可能的图形离散和广泛的空间中进行昂贵的搜索过程的问题。该方法得分为0.36和0.48，与ChatGPT一样表现良好，具有所需的特性增益。

Jun, 2023

图神经网络的对抗性训练

本文介绍了对抗训练在解决图神经网络中的结构扰动方面的局限并展示了基于可学习图扩散的灵活图神经网络和针对多节点和全局约束的结构扰动攻击，进一步证明了对抗训练作为对抗性结构扰动的最先进防御手段。

Jun, 2023

图形对比学习与生成对抗网络

通过引入生成对抗网络（GAN）以学习图的视图分布，GACN是一个新颖的生成对抗性对比学习网络，用于图表示学习。经过大量实验证实GACN能够为GCL生成高质量的增强视图，并且优于十二种最先进的基准方法。值得注意的是，我们提出的GACN出乎意料地发现数据增强中生成的视图最终符合在线网络中著名的优先连接规则。

Aug, 2023