基于扩散的图生成方法
提出了一种基于得分的图生成模型，采用连续时间框架下的新图扩散过程，通过随机微分方程系统对节点和边缘进行联合分布建模，并提出了适用于该过程的新颖得分匹配目标，通过求解反向扩散过程的方程系统高效采样。通过对多个数据集的验证，该方法在生成具有挑战性的现实世界图形时获得了优异的性能，并能够生成符合 训练分布的分子，表明其对于节点-边缘关系的建模具有有效性。
Feb, 2022
该论文提出了一种基于图谱扩散的高效而有效的Graph Spectral Diffusion Model （GSDM），相较于基于整个图邻接矩阵空间的扩散模型，该模型能够更好地学习生成拓扑结构更好的图数据，而实验结果表明该模型不仅可以生成质量更高、而且计算消耗也更小。
Nov, 2022
本论文总结了扩散模型在图像生成方面的成功，并介绍了扩散模型在图生成方面的应用，特别是从分子和蛋白质建模方面进行了重点讨论，并讨论了扩散模型在图结构数据中的新方向。
Feb, 2023
本文调查了图扩散模型的进展，特别关注了其在AI生成内容方面的应用，主要是分子、蛋白质和材料设计。我们也讨论了评估该模型在图领域的存在挑战问题。
Apr, 2023
本文提出了一种名为EDGE的新型扩散生成图模型，通过在每个时间步骤随机删除边并最终获得空图的离散扩散过程，鼓励图结构的稀疏性，使其更有效率地生成包含上千节点的大型图，并明确将图中节点度数建模，与基线模型相比，生成的图像质量更高，具有更相似的图统计特征。
May, 2023
我们提出了一种基于扩散的图生成模型，通过定义在离散图空间中操作的节点吸收扩散过程，设计了扩散排序网络和去噪网络，从而实现了更好或相当的生成性能，并且具有快速的生成速度。
Jul, 2023
本文提出了一种离散状态连续时间设置的图扩散生成模型，该模型在以前的图扩散模型中从未被研究过。分析表明，我们的训练目标与生成质量密切相关，我们提出的生成框架在节点排序的排列方面具有理想的不变/等变特性。我们的模型在各种基准测试中表现出有竞争力的实证性能，同时在采样阶段可以在生成质量和效率之间灵活权衡。
May, 2024
利用图结构、生成模型、组合复杂体、随机微分方程和生成人工智能，提出了一个统一框架来生成复杂物体，包括图和分子，并且在这些任务上与最先进的方法相竞争。
Jun, 2024
我们的研究引入了Graph Beta Diffusion（GBD），一种特别擅长捕捉多样化图结构的扩散生成模型。GBD利用了适用于图邻接矩阵的稀疏和有界特征的Beta扩散过程，并开发了调制技术来增强生成图的现实感，同时在其他地方保持灵活性。GBD在三个通用图基准和两个生物化学图基准中的出色性能突显了其有效捕捉现实世界图数据复杂性的能力。
Jun, 2024