图生成对抗网络

（1）动机

图表示学习，也称为网络嵌入，目的是将图(网络)中的每个顶点表示为低维向量，这有助于对顶点和边缘进行网络分析和预测。学习到的嵌入能够帮助广泛的现实应用程序，如链路预测、节点分类、推荐、可视化、知识图表示等。图表示学习的目的是将图中的每个顶点嵌入到一个低维向量空间中。现有的图形表示学习方法可分为两类：学习图中潜在连通性分布的生成模型，以及预测一对顶点之间存在边的概率的判别模型。

（2）创新点

在这篇文章文中，提出了一种创新的图形表示学习框架，它将上述两类方法结合在一起，其中生成模型和判别模型是一种极大极小决策的博弈。此外，在考虑生成模型的实现时，提出了一种新的图形SoftMax来克服传统SoftMax函数的局限性，它能满足规范化、图结构感知和计算效率的要求。

（3）具体方法与技术

在GraphGAN中，主要有两个模型：（1）Generator G(V|VC,θG)：生成式模型G，主要是去尽可能地去拟合或预估出真实的连接分布概率,从而在节点集V选择出最有可能与VC连接的节点（2）Discriminator D(V|VC, θD)：判别式模型D，主要是去将well-connected的节点对与ill-connected的节点对区分开来，并且计算输出节点V和VC之间存在着边的可能性。
对于G来说，它的目标是生成与VC真实连接的邻居节点相似的点，来骗过判别器D。而对于D，它的目标是判别这些节点哪些是VC的真实邻居，哪些是它的对手G生成的节点。因此，两个对手的一个minmax游戏的目标函数为