基于深度生成模型的稀疏图可扩展建模
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
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
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
我们提出了一种基于扩散的图生成模型，通过定义在离散图空间中操作的节点吸收扩散过程，设计了扩散排序网络和去噪网络，从而实现了更好或相当的生成性能，并且具有快速的生成速度。
Jul, 2023
本研究论文介绍了神经图生成器（NGG），它利用条件化的潜态扩散模型进行图生成，具有模型复杂图形模式的显著能力，并能控制图生成过程。NGG通过图压缩的变分图自动编码器和在潜向量空间中的扩散过程，以图统计概述向量为指导。实验证明NGG在各种图生成任务中的通用性，能捕捉所需的图特性并推广到未见过的图。该研究工作标志着图生成方法的重大转变，为生成具有特定特征的多样化类型的图提供了更实用和高效的解决方案。
Mar, 2024
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