基于深度生成模型的稀疏图可扩展建模

ICMLJun, 2020

基于深度生成模型的稀疏图可扩展建模

Scalable Deep Generative Modeling for Sparse Graphs

Hanjun Dai, Azade Nazi, Yujia Li, Bo Dai, Dale Schuurmans

TL;DR本研究提出了一种基于自回归模型的图生成方法 (BiGG)，其利用稀疏性避免生成完整的邻接矩阵，并将图生成时间复杂度降至 O ((n + m) logn)。实验表明，该方法不仅比之前的自回归图生成模型能够处理更大的图像，而且生成质量更高。

Abstract

Learning graph generative models is a challenging task for deep learning and has wide applicability to a range of domains like chemistry, biology and social science. However current deep neural methods suffer fro

graph generative models deep learning autoregressive model scalability sparse graphs

发现论文，激发创造

使用深度自回归模型生成逼真的图形

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

可扩展的 Inception 图神经网络 (SIGN)

本文提出了一种新的、高效且可扩展的图深度学习架构，通过使用不同尺寸的图卷积滤波器，绕过了图采样的必要性，从而允许极快速的训练和推理，同时在比对测试中展现了与其他最先进架构相竞争的表现，对于包含超过 1.1 亿个节点和 15 亿条边的公共图数据集 ogbn-papers100M 实现了最先进的结果。

Apr, 2020

CGGM: 一种适用于物联网网络中节点异常检测的具有自适应稀疏性的条件图生成模型

本文介绍了一种名为 CGGM 的新颖图生成模型，用于在动态图中生成属于少数类的更多节点，并通过自适应稀疏性增强了灵活性，使用多维特征生成器（MFG）生成节点特征和拓扑信息，并通过多阶段损失调整合成数据的分布以更好地模拟真实数据，实验证明 CGGM 的合成数据在各种指标上优于现有方法，有效增强了多类别分类模型的性能。

Feb, 2024

图生成的离散扩散模型的稀疏训练

SparseDiff 是一种能够在图生成过程中利用稀疏性的去噪扩散模型，它能有效处理边列表表示的图，在保证生成性能的同时提高可伸缩性。

Nov, 2023

基于图注意力机制的可扩展图生成模型

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

可扩展的时空图神经网络

本文提出了一种可扩展的体系结构，利用随机循环神经网络将输入时序的历史数据嵌入到高维状态表示中，并利用不同幂次的图相邻矩阵沿空间维传播以生成节点嵌入，从而实现多尺度的时空特征表示，我们的方法在保证结果竞争力的同时，大大降低了计算负担。

Sep, 2022

用于大规模图形生成的分层 GNN

该研究提出了一种名为 HIGGS 的模型无关框架，使用具有条件生成能力的 GNN 模型以分辨率层次结构采样图来生成具有大规模且具有现实局部结构的图。