我们提出了第一个生成图检测框架，通过四种分类场景探索了一系列复杂模型的性能，证明了这些模型都能够成功检测到生成的图，并且具有一定的稳健性和普适性，从而能够有效地遏制生成图的恶意滥用与虚假传播。

Jun, 2023

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

该研究提出了基于深度图形转换的解决方案，使用新的图卷积和解卷积层来学习传输映射，并引入一种新的条件图鉴别器，以训练生成对抗网络来实现异常图形模式的预测，实验表明该方法具有很好的效果和可扩展性。

May, 2018

本研究提出使用差分隐私的方法保护网络结构数据的隐私，通过注入适当的噪音以保证边隐私，改善结构学习，同时提高结构导向图的鉴别度，提高数据效用和保护个体链接隐私。通过在两个现实世界网络数据集上进行的广泛实验表明，我们的 DP-GGAN 模型能够有效地保护个体链接隐私并生成具有全局结构的图形数据。

May, 2020

提出了一种名为 Computation Graph Transformer（CGT）的图形生成模型，它可以在保证隐私的前提下，生成大规模真实世界图的有效基准图，用于作为 Graph Neural Networks 模型的基准测试。

Jul, 2022

该论文对深度图生成的现有文献进行了综述，并从模型架构、应用领域等方面进行了细分，总结了图生成的关键策略，同时阐明了未来深度图生成研究的挑战和机遇。

Mar, 2022

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

本文提出了一种新的因式化深度生成模型框架，旨在实现可解释的动态图形生成，并提出了各种生成模型，以表征节点、边、静态和动态因子之间的条件独立性，并基于新设计的因子化变分自编码器和循环图解卷积提出了变分优化策略和动态图解码器。多个数据集上的广泛实验验证了所提出模型的有效性。

Oct, 2020