离散潜变图生成建模与扩散桥
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
本文探讨了如何在Denoising Diffusion Models的latent space中嵌入图像，实现对噪声图像的去噪，并发现了该类生成模型中latent representation独立于反扩散过程网络实现的网络结构。
Dec, 2022
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
本研究提出了一种不同iable方法，通过反向传播，根据下游任务选择最佳嵌入空间来进行潜在图推理，从而消除了进行多个实验以确定最佳嵌入空间的需要。此外，我们还探索了一种可解释性技术，通过跟踪不同潜在图的梯度贡献，揭示了我们的基于注意力的完全不同iable方法如何学习选择适当的潜在空间。与以前的研究相一致，我们的实验证明了超球面空间在提高性能方面的优势。更重要的是，我们的可解释性框架提供了一种通用方法，根据它们的贡献，量化比较不同任务中的嵌入空间，这一维度在以前的潜在图推理文献中被忽视。
Nov, 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
通过建立基于双曲几何的可解释度度量的几何潜变空间，使用径向和角度几何特性约束的几何潜变过程，HypDiff框架能有效地捕捉和保留图的拓扑信息，并在各种拓扑结构的图生成中表现出卓越的效果。
May, 2024
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
通过引入特定的边吸收噪声模型和新的投影算子，ConStruct是一种允许硬约束图扩散模型以包含特定属性（如平面性或非循环性）的新框架。它在合成基准和属性现实数据集中展示了多功能性和最先进的性能，例如在数字病理学图数据集中，利用平面性的提出方法提高了生成数据的有效性高达71.1个百分点。
Jun, 2024