通过图 Transformer 生成对抗网络，在图约束的建筑布局生成任务中学习有效的图节点关系，提出了连接节点注意力和非连接节点注意力以及基于节点分类的鉴别器等关键技术，实现了对三个建筑布局生成任务的最新最优结果。
Jan, 2024
本文提出了一种基于关系架构的新型图约束生成对抗网络，其生成器和鉴别器利用关系结构进行建模，旨在将约束编码到其关系网络的图结构中，将建筑约束作为图形输入，并生成一套轴对齐的房间边框，通过 117000 张实际的平面图像的定量和定性评估表明，该方法优于现有的方法和基线。
Mar, 2020
本论文提出了一种名为 GTNs 的图转换器网络，能够在图上进行节点表示的学习，同时生成新的图结构以及识别原始图上未连接点之间有用的连接。实验表明，GTNs 有效地生成新的图结构，通过卷积在新图上产生具有强大表现力的节点表示，并在三个基准节点分类任务中取得了最佳表现。
Nov, 2019
本研究使用可扩展的图转换器（GT）框架来进行单个大规模图的表示学习，并提出了快速的采样技术和局部注意机制，以解决全局注意机制在大规模图上的计算复杂性问题。在三个大规模节点分类基准测试中，我们验证了 LargeGT 框架，并取得了 3 倍的加速和 16.8％的性能提升。
Dec, 2023
本文提出了一种基于图注意力机制的生成对抗网络（GAT-GAN），使用这种方法可以生成具有高保真度的长时间序列数据，可以通过使用 FTD 评分标准来标准化地评估生成数据的质量和多样性，并且评估结果表明，相比于现有的基于 Frechet Transformer distance 和 Predictive score 的基准模型，GAT-GAN 在多个真实数据集上表现更优。
Jun, 2023
本文介绍了 Roof-GAN，一种新颖的生成对抗网络，它能够生成住宅屋顶结构的结构几何体系，作为一组屋顶基元及其关系。生成器将基元的数量转换成图形结构，生成一种有结构的屋顶模型，并在完全端到端的体系结构中使用判别器来评估基元栅格几何、基元关系和基元向量几何。我们提出了一种新的度量标准，证明了我们的方法在生成多种多样和逼真的屋顶模型方面的有效性。
Dec, 2020
通过一种基于生成对抗网络的自动化平面图生成方法，使用基于图的相关生成对抗网络和条件生成对抗网络的集成，并在迭代布局细化过程中使用之前生成的布局作为下一个输入约束。该研究提出了一种名为组件方式 GT 调节的简单非迭代训练过程，有效地学习这样的生成器，通过元优化技术控制迭代布局优化过程中传递哪些输入约束的时间，从而进一步提高所选指标。基于三种标准指标的定性和定量评估显示：所提出的系统在当前最先进技术水平上取得了重大进展，甚至可以与由专业建筑师设计的地面平面图媲美。
Mar, 2021
提出了一种结合 GNN 和 Transformer 的新框架，利用 GNN 的局部信息汇聚和 Transformer 的全局信息建模能力解决过度平滑问题，构建了 GTC 体系结构，通过对跨视图信息进行自我监督的对比学习任务实现异构图形表示学习。
Mar, 2024
该研究介绍了 GANformer—— 一种高效的 transformer 类型，探索其在视觉生成建模任务中的应用。它通过双分图结构实现图像间的长距离相互作用，并保持线性计算效率，能够轻松扩展到高分辨率综合，并展示了 State-of-the-art 的图像质量和样本多样性，同时具备快速学习和更好的数据效率。
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