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

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。

Jun, 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

本论文提出了一种新颖的构建图的生成模型的方法，该方法使用了进化搜索和图神经网络实现了强大的适应度函数，从而在一定程度上实现了深度生成模型所不具备的优点，如更高的泛化能力和直接的可解释性。

Apr, 2023

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