- SE-VGAE：用于可解释的建筑布局设计图生成的无监督分解表示学习
我们介绍了一个无监督的分离表示学习框架 (SE-VGAE)，旨在生成以属性连接的多图形式的建筑布局，同时强调表示的分离性，通过优化数据集和实验，对探索基于图形数据的建筑设计表示空间进行了深入研究，该研究将无监督的分离表示学习应用于建筑布局图 - 结构约束图的生成建模
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 - Cometh：一种连续时间离散状态的图扩散模型
通过整合图数据到连续时间扩散模型框架中，我们提出了 Cometh，一种连续时间离散状态图扩散模型，以充分利用连续时间和离散状态扩散模型的优点，在大量的分子和非分子基准数据集上表明，整合连续时间会在各个指标上显著提高离散状态扩散模型的性能。
- 变分流匹配用于图生成
我们提出了一种称为变分流匹配 (VFM) 的流匹配式变分推理，即基于这个公式我们开发了 CatFlow，这是一种用于分类数据的流匹配方法，它易于实现、计算效率高，并在图生成任务中取得了较好的结果。
- 对于将扩散模型应用于反向合成，对准是关键
通过对易变去混噪器的松弛要求，我们提出了一种新的去混噪器，最大限度地提高了反合成模型的表达能力和适用性。在 USPTO-50k 数据集上，我们的新模型实现了最高的 top-1 准确率（54.7%），同时在小扩散步数的情况下展示了灵活的后期训 - ICML基于双曲几何的潜在扩散模型用于图生成
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。
- 利用图生成提升领域自适应物体检测
通过图生成提高无监督域适应中的目标检测质量，并在语义对齐和适应领域之间保持类别不变的信息以实现最准确的跨域语义对齐。
- SteinGen：生成真实且多样化的图样本
通过结合 Stein 方法和 MCMC 的 Markov 动力学，使用估计的 Stein 算子的 Glauber 动力学生成高分布相似性 (高保真度) 和高样本多样性的图生成模型。
- 图生成中大型语言模型的潜力探索
本文介绍了 LLM4GraphGen 模型，通过系统性任务设计和广泛的实验探索了大型语言模型在图生成方面的能力，并表明 GPT-4 在图生成任务中展现了初步能力，包括基于规则和分布的生成，同时发现流行的提示方法并不一致地提升性能。此外，LL - 揭开图：图神经网络与图生成
综述了图神经网络 (GNNs) 的应用、图数据和深度学习的扩展，以及 GNNs 的高级领域：图生成。
- 3M 扩散：基于文本引导的分子图生成的潜在多模态扩散
使用 3M-Diffusion 方法，可以根据给定的文本描述生成与之语义匹配的，高质量、新颖、多样化的分子图。
- 神经图生成器：使用潜在扩散模型进行特征条件化的图生成
本研究论文介绍了神经图生成器（NGG），它利用条件化的潜态扩散模型进行图生成，具有模型复杂图形模式的显著能力，并能控制图生成过程。NGG 通过图压缩的变分图自动编码器和在潜向量空间中的扩散过程，以图统计概述向量为指导。实验证明 NGG 在各 - GraphRCG：通过引导表示的自我条件图生成
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。
- 公平可信绘图：公平图生成
机器学习与图形处理近年来受到越来越多的关注，因其能够分析和学习关键的互连系统内的复杂关系。然而，这些算法中使用的有偏图结构带来的不平等影响引发了在实际决策系统中部署的重要关注。此外，尽管合成图形生成对于隐私和可扩展性考虑至关重要，但生成式学 - 通过节点和边属性的联合扩散进行图的生成建模
我们提出了一种基于节点和边的联合评分模型的图生成方法，该方法考虑了图的所有组成部分，并结合关注模块将节点和边属性进行组合，通过图扩散过程中的节点、边和邻接信息的相互依赖关系，生成与边相关的真实世界和合成数据集的挑战性基准结果，在交通场景图生 - Pard：无序置换自回归扩散图生成
PARD 是一个将扩散模型与自回归方法结合的置换不变自回归扩散模型，通过使用特定的局部顺序，以块状的自回归方式生成图。它在没有额外特征的情况下，在分子和非分子数据集上取得了最新水平的性能，且可以扩展到包含 1.9M 个分子的大型数据集。
- 克服自回归图生成中的顺序问题
本文提出了一种使用递归神经网络和无序正则化项进行顺序图生成的方法，以解决顺序生成导致的问题，并证明该方法在数据稀缺的情况下对顺序图生成模型有益处，为合成逼真、多样化图结构的各种应用提供了有价值的工具。
- 图值 $K$ 个文字：使用纯 Transformer 对图进行欧几里得化
我们引入了 GraphsGPT，该模型具有将非欧几里德图转换为学习可表示为欧几里德空间中可学习图词的 Graph2Seq 编码器以及从图词重构原始图以确保信息等价性的 GraphGPT 解码器。我们对 1 亿个分子进行预训练，得出了一些有趣 - 基于扩散的图生成方法
对扩散方法在图生成方面的最新应用进行了全面综述，包括扩散概率模型、基于得分的生成模型和随机微分方程三种主要范式，指出了当前研究的一些局限性和未来的研究方向。
- 上下文文本块检测的动态关系 Transformer
通过将 Contextual Text Block Detection 任务作为图生成问题，利用 DQ-DETR 和 Dynamic Relation Transformer 等先进技术，该研究提出了一种图生成框架，能够以高效准确的方式检测