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

本文介绍了深度学习在图数据处理方面的应用，设计了一种基于局部和迭代方法的图表征学习通用方法，并探讨了研究挑战和应用领域。

Dec, 2019

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

本文提出了一个马尔可夫随机场模型来统一解释半监督学习中的标签传播和图神经网络算法， 并给出了一个新的算法叫做线性图卷积， 在实际数据上表现出色。

Jan, 2021

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

图扩散方程与图神经网络紧密相关，并近期引起关注，作为一种分析图神经网络动态、形式化其表达能力并证明架构选择的原则性框架。本文通过探索图扩散方程在不同图拓扑存在下的外推与概括能力，向理解图神经网络的泛化能力迈出了一步。在现有基于图局部扩散的模型中，我们首先展示了其泛化能力的不足之处，这源于对拓扑变化的指数敏感性。随后的分析揭示了非局部扩散的潜力，它提倡在具有特定数据生成条件的情况下，通过在完全连接的潜在图上进行特征传播。除了这些发现，我们提出了一种新颖的图编码器骨干，即Advective Diffusion Transformer (ADiT)，它受到具有封闭形式解和理论保证的Advective图扩散方程的启发，在拓扑分布转移情况下具有期望的泛化能力。这个新模型作为一种多功能图Transformer，在各种图学习任务中展现出卓越的表现。

Oct, 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

自我条件化图生成框架能够显式地模拟图分布，利用这些分布指导生成过程，从而提供了更准确地反映所学分布的图的生成方法。通过在各个领域的通用和分子图数据集上进行广泛的实验，我们的框架在图质量和与训练数据的保真度方面展示了优越性能。

Mar, 2024