GraphMaker 是一个新的扩散模型，专门用于生成大型属性图。通过研究扩散模型和节点属性生成的复杂相关性、节点级条件和小批量策略，以及使用生成的合成图进行评估的新评估流程，实证评估表明 GraphMaker 在生成逼真且多样化的大型属性图方面具有优势，可用于下游任务。

Oct, 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

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

本文介绍了一项新的生成任务：联合场景图像生成。通过引入 DiffuseSG 模型，本文探索了生成逼真的场景图，使得图像生成具备高效和可解释性的控制能力，并展示了该模型在场景图生成以及相关应用中的优越性。

Jan, 2024

本文提出一种新颖的多属性图转换框架，可以同时预测源域中输入图的节点和边缘属性，并且通过采用谱图正则化来确保预测的节点和边缘之间的一致性。

Mar, 2020

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

本文提出了一种基于评分模型的方法来解决属性图中节点异常检测的问题，并在小规模图上取得了有竞争力的结果。对 Dirichlet 能量进行了实证分析，表明生成模型可能难以准确重构它。

Jun, 2023

我们提出了第一个框架，允许使用一个模型解决所有级别（节点、边和图）和所有类型（生成、回归和分类）的图学习任务。我们首先提出了潜在图扩散（LGD），它是一个生成模型，可以同时生成所有类别的节点、边和图级特征。我们通过将图结构和特征嵌入到潜在空间中，并利用一个强大的编码器对其进行解码，然后在潜在空间中训练扩散模型来实现这个目标。LGD 还能够通过一个特殊设计的交叉注意机制进行条件生成。然后，我们将包括回归和分类在内的预测任务制定为（条件）生成，使我们的 LGD 能够解决所有级别和所有类型的任务，并提供可证明的保证。通过广泛的实验证明了我们框架的有效性，其中我们的模型在生成和回归任务中达到了最先进或极具竞争力的结果。

Feb, 2024

该文章是关于图聚类中的属性图的现状调查，总结了最新的研究成果和主要的聚类算法，并且介绍了分析聚类结果的评估方法和当前存在的开放问题。

Jan, 2015

本文提出了对 EDGE 模型的改进，包括引入了一个特定度数的噪声计划，优化了每个时间步骤的活跃节点数量，显著减少了内存消耗，并提出了一个改进的采样方案，通过微调生成过程来更好地控制合成网络和真实网络之间的相似度，实验结果表明，这些改进不仅提高了生成图的效率，还增强了其准确性，为图生成任务提供了强大且可扩展的解决方案。

Oct, 2023