解缠深度动态图生成
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
该论文旨在通过使用新的解缩深度生成模型,将时空图分解成空间,时间和图形因素以及解释它们之间相互作用的因素,并使用情报瓶颈理论来最大化这些因素之间的解缠,通过定性和定量实验,在合成和现实世界数据集上展示了该模型优于现有技术的表现。
Feb, 2022
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
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
本文提出一种利用 Beta-VAE 深度学习框架对图表现进行生成建模与压缩编码的方法,并成功实现了对随机图与真实图的自动生成,得到了可解释的潜空间变量,在不手动选择拓扑属性情况下,分析了图拓朴与节点属性之间的相关性。
Oct, 2019
本研究提出了一种新的解缠结生成模型的增强型框架,采用新的变分目标来解缠所有类型的潜在因子,并通过新的节点和边解缠架构进一步增强单因子的解缠度。定量定性实验表明,该模型扩展性强,能够高效地解决解缠在图像生成中的问题。
Jun, 2020
通过引入因子化的原型,使用图形 ODE 模型和变分推论框架,提出了一种名为 GOAT 的新方法,用于建模相互作用的动态系统,以增强模型的推广能力。
Nov, 2023