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

本研究提出了 Graph Markov Neural Network (GMNN) 模型，将统计关系学习和图神经网络的优势相结合，通过有条件随机场建模对象标签的联合分布，并利用变分 EM 算法进行有效训练，在目标分类、链接分类和无监督节点表示学习等任务中实现了最先进的结果。

May, 2019

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

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

本文介绍了一种新型 GGMs 变体，其通过在 GGM 上施加二分结构，并使用截断正态分布来管理隐藏变量以放宽高斯限制，实现了非常有效的推断，进而建立了与修正线性单元（ReLU）神经网络的连接，用于真实值，二进制和计数数据的输出构建，还将该模型扩展到深层结构，并展示了深层模型可以用于修正单元神经网络的无监督预训练。大量实验证据证明了提出的模型相对于竞争模型的优越性。

Nov, 2016

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

本文提出了一个基于图结构的半监督学习的生成框架，通过逼近节点特征，标签和图结构的联合分布，使用可扩展的变分推断技术来推断缺失的标签，并在基准数据集上进行了全面的实验，结果表明该方法在大多数设置中优于现有的最先进模型。

May, 2019

提出了一种名为 Graphical Generative Adversarial Networks（Graphical-GAN）的模型，结合了贝叶斯网络和生成性对抗网络的能力来建模结构化数据。引入了一个结构化的识别模型来推断给定观测值的潜在变量的后验分布，并将期望传播（EP）算法广义化，以同时学习生成模型和识别模型。最后，提出了两个 Graphical-GAN 的重要实例，即高斯混合 GAN（GMGAN）和状态空间 GAN（SSGAN），可分别成功学习视觉数据集的离散和时间结构。

Apr, 2018

本文提出一种基于图生成建模的 VQA 模型，通过使用属性 - 对象对作为节点，逐步生成关系矩阵和节点表示来解决 VQA 中的 OOD 泛化问题，并在两个标准 VQA OOD 基准测试中实现了最先进的性能。

Jul, 2021

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