图生成论文

综述

1. 综述 | 生成对抗网络（GAN）在图网络中的应用：综述 | 生成对抗网络（GAN）在图网络中的应用
2. 论文导读 | 图生成模型综述：论文导读 | 图生成模型综述
3. 论文导读 | 深度图生成模型简介：论文导读 | 深度图生成模型简介
4. 图表示学习Part 3：生成图模型-图生成的深度生成模型：图表示学习Part 3：生成图模型-图生成的深度生成模型
5. 深度图生成模型综述：5类模型及前景：深度图生成模型综述：5类模型及前景（附PDF下载）
6. （读论文）学习图的深度生成模型：读论文学习图的深度生成模型

图生成最新顶会论文2022

1. Equivariant Diffusion for Molecule Generation in 3D（3D 中分子生成的等变扩散）

这项工作介绍了一种与欧几里得变换等效的 3D 分子生成扩散模型。我们的 E(3) 等变扩散模型 (EDM) 学习使用等变网络对扩散过程进行去噪，该网络在连续（原子坐标）和分类特征（原子类型）上联合运行。此外，我们提供了一种概率分析，它允许使用我们的模型对分子进行似然计算。在实验上，所提出的方法在生成样本的质量和训练时的效率方面明显优于以前的 3D 分子生成方法。

2. A Graph Convolutional Network with Adaptive Graph Generation and Channel Selection for Event Detection（用于事件检测的具有自适应图生成和通道选择的图卷积网络）

图卷积网络已成功应用于事件检测任务。然而，现有工作严重依赖来自外部解析器的固定句法解析树结构。此外，为聚合提取的信息内容仅由（句法）边缘方向或类型决定，而与顶点具有什么语义无关，这有点死板。通过这项工作，我们提出了一种新颖的图卷积方法，该方法结合了自适应图生成技术和多通道选择策略。自适应图生成技术通过使用 ST-Gumbel-Softmax 技巧使梯度能够通过图采样层。多通道选择策略允许两个相邻顶点自动确定要通过哪些信息通道进行信息提取和聚合。所提出的方法在 ACE2005 数据集上实现了最先进的性能。

3. Evaluation Metrics for Graph Generative Models: Problems, Pitfalls, and Practical Solutions（图生成模型的评估指标：问题、陷阱和实际解决方案）

图生成模型是机器学习的一个高度活跃的分支。鉴于不断增加复杂性的新模型的稳步发展，有必要提供一种有原则的方法来评估和比较它们。在本文中，我们列举了这种比较指标的理想标准，并概述了当今使用的图形生成模型比较的现状，主要依赖于最大平均差异 (MMD)。我们在图生成模型比较的背景下对 MMD 进行了系统评估，强调了研究人员无意中可能遇到的一些挑战和陷阱。在对 MMD 在合成生成的扰动图以及最近提出的图生成模型上的行为进行了彻底分析之后，我们能够提供适当的程序来缓解这些挑战和陷阱。我们将我们的发现汇总成一系列实用建议，供研究人员在评估图生成模型时使用。

4. Spanning Tree-based Graph Generation for Molecules（基于生成树的分子图生成）

在本文中，我们探讨了使用深度神经网络生成分子的问题，该问题最近在化学中引起了极大的兴趣。为此，我们提出了一种基于生成树的图生成（STGG）框架，该框架基于将分子图生成公式化为生成树和剩余边的构造。这样的公式利用了分子图的稀疏性，并允许使用紧凑的树构造操作来定义分子图的连通性。基于构建过程的中间图结构，我们的框架可以将其生成限制为满足化学价规则的分子图。我们还新设计了一个带有基于树的相对位置编码的 Transformer 架构，用于实现树的构建过程。QM9、ZINC250k、和 MOSES 基准验证了所提出框架在有效性、Frechet ChemNet 距离和片段相似性等指标方面的有效性。我们还证明了 STGG 在最大化分子的惩罚 LogP 值方面的有用性。（我们提出了一种新的基于紧凑树构造算子的分子图生成模型。）

5. On Evaluation Metrics for Graph Generative Models（关于图生成模型的评估指标）

在图像生成中，可以通过目视检查模型输出来自然地评估生成模型。然而，对于图生成模型 (GGM)，情况并非总是如此，这使得它们的评估具有挑战性。目前，评估 GGM 的标准过程存在三个关键限制：i）它不会产生单一的分数，这使得模型选择具有挑战性，ii）在许多情况下它没有考虑潜在的边缘和节点特征，以及 iii）它令人望而却步执行缓慢。在这项工作中，我们通过搜索 \emph{scalar、domain-agnostic 和可扩展指标} 来评估和排名 GGM 来缓解这些问题。为此，我们研究了现有的 GGM 指标和基于神经网络的指标，这些指标来自图像生成模型，这些模型使用从特定任务网络中提取的嵌入。受图神经网络 (GNN) 的强大功能的启发，我们可以提取有意义的图表示 \emph {无需任何训练}，我们基于未经训练的随机 GNN 提取的特征引入了几个指标。我们设计实验来彻底测试和客观评分指标，以衡量其衡量生成图的多样性和保真度的能力，以及它们的样本和计算效率。根据样本的数量，我们推荐从我们的基于随机 GNN 的指标集合中的两个指标之一。我们使用我们的客观评分显示这两个指标比现有的和替代的基于随机 GNN 的指标更具表现力。虽然我们专注于将这些指标应用于 GGM 评估，在实践中，这使得能够轻松计算任意两组图之间的差异 \emph{不管域}。

6. When, Why, and Which Pretrained GANs Are Useful? （什么时候、为什么以及哪些预训练的 GAN 有用？）

文献提出了几种在新数据集上微调预训练 GAN 的方法，与从头开始训练相比，这通常会带来更高的性能，尤其是在数据有限的情况下。然而，尽管 GAN 预训练具有明显的经验优势，但其内部机制并未得到深入分析，对其作用的理解也不完全清楚。此外，基本的实际细节，例如选择适当的预训练 GAN 检查点，目前没有严格的基础，通常通过反复试验来确定。这项工作旨在剖析 GAN 微调的过程。首先，我们表明通过预训练的检查点初始化 GAN 训练过程主要影响模型的覆盖率，而不是单个样本的保真度。第二，我们明确描述了预训练的生成器和判别器如何为微调过程做出贡献，并解释了先前关于预训练它们的重要性的证据。最后，作为我们分析的直接实际好处，我们描述了一个简单的方法来选择最适合微调特定目标任务的适当 GAN 检查点。重要的是，对于大多数目标任务，Imagenet 预训练的 GAN 尽管视觉质量很差，但似乎是一个很好的微调起点，类似于判别计算机视觉模型的典型预训练场景。我们描述了一个简单的方法来选择最适合微调特定目标任务的适当 GAN 检查点。重要的是，对于大多数目标任务，Imagenet 预训练的 GAN 尽管视觉质量很差，但似乎是一个很好的微调起点，类似于判别计算机视觉模型的典型预训练场景。我们描述了一个简单的方法来选择最适合微调特定目标任务的适当 GAN 检查点。重要的是，对于大多数目标任务，Imagenet 预训练的 GAN 尽管视觉质量很差，但似乎是一个很好的微调起点，类似于判别计算机视觉模型的典型预训练场景。

7. Conditional Generation Net for Medication Recommendation（药物推荐的条件生成网络）

药物推荐旨在根据患者的诊断提供适当的药物组合，这是临床的一项关键任务。目前，推荐是由医生手动进行的。但是，对于复杂的病例，例如同时患有多种疾病的患者，即使是经验丰富的医生也很难提出体贴的建议。这促使自动药物推荐的出现，它可以帮助治疗诊断出的疾病，而不会造成有害的药物-药物相互作用。由于临床价值，药物推荐引起了越来越多的研究兴趣。现有的工作主要将药物推荐制定为一个多标签分类任务来预测一组药物。在本文中，我们提出了条件生成网络（COGNet），它引入了一种新的复制或预测机制来生成一组药物。给定患者，所提出的模型首先检索他或她的历史诊断和药物建议，并挖掘它们与当前诊断的关系。然后在预测每种药物时，所提出的模型决定是从以前的建议中复制一种药物，还是预测一种新的药物。这个过程与人类医生的决策过程非常相似。我们在公共 MIMIC 数据集上验证了所提出的模型，实验结果表明，所提出的模型可以优于最先进的方法。提出的模型首先检索他或她的历史诊断和药物建议，并挖掘它们与当前诊断的关系。然后在预测每种药物时，所提出的模型决定是从以前的建议中复制一种药物，还是预测一种新的药物。这个过程与人类医生的决策过程非常相似。我们在公共 MIMIC 数据集上验证了所提出的模型，实验结果表明，所提出的模型可以优于最先进的方法。提出的模型首先检索他或她的历史诊断和药物建议，并挖掘它们与当前诊断的关系。然后在预测每种药物时，所提出的模型决定是从以前的建议中复制一种药物，还是预测一种新的药物。这个过程与人类医生的决策过程非常相似。我们在公共 MIMIC 数据集上验证了所提出的模型，实验结果表明，所提出的模型可以优于最先进的方法。

8. Curvature Graph Generative Adversarial Networks（曲率图生成对抗网络）

生成对抗网络（GAN）被广泛用于图数据的广义和鲁棒学习。然而，对于非欧几里得图数据，现有的基于GAN的图表示方法通过在离散空间中随机游走或遍历产生负样本，导致拓扑性质（例如层次和循环）的信息丢失。此外，由于图数据的拓扑异质性（即跨图结构的不同密度），它们遭受严重的拓扑失真问题。在本文中，我们提出了一种新的曲率图生成对抗网络方法，命名为 CurvGAN，它是黎曼几何流形中第一个基于 GAN 的图表示方法。为了更好地保留拓扑性质，我们将离散结构近似为连续的黎曼几何流形，并从包裹的正态分布中有效地生成负样本。为了处理拓扑异质性，我们利用 Ricci 曲率来处理具有不同拓扑特性的局部结构，从而获得低失真表示。大量实验表明，CurvGAN 在多项任务中始终且显着优于最先进的方法，并显示出卓越的鲁棒性和泛化性。

9. Generating Simple Directed Social Network Graphs for Information Spreading（为信息传播生成简单的有向社交网络图）

在线社交网络是日常生活中与朋友保持联系和分享信息的主要媒介。在 Twitter 中，用户可以通过关注其他用户与其他用户建立联系，这些用户反过来也可以关注。近年来，研究人员研究了社交网络的几个属性，并设计了随机图模型来描述它们。这些方法中的许多要么专注于无向图的生成，要么专注于有向图的创建，而不对倒数（即两个节点之间的两个相反方向的有向边）和有向边之间的依赖关系进行建模。我们提出了一种生成有向社交网络图的方法，该图创建互惠和有向边，并考虑各个度数序列之间的相关性。
我们的模型依赖于 Twitter 中的爬取有向图，在该有向图上交换或传播某个主题的信息。虽然这些图表现出较高的聚类系数和随机节点对之间的较小平均距离（这在现实世界的网络中很常见），但它们的度数序列似乎遵循χ2-分布而不是幂律。为了实现高聚类系数，我们应用了保留节点度的边缘重新布线程序。
我们比较爬取和创建的图，并在其上模拟信息传播和流行病传播的某些算法。结果表明，创建的图表现出与真实世界图非常相似的拓扑和算法属性，提供了证据表明它们可以用作社交网络分析中的代理。此外，我们的模型具有高度可扩展性，这使我们能够创建具有与相应现实世界网络几乎相同的属性的任意大小的图。

图生成最新顶会论文2021

1. Efficient Generative Modelling of Protein Structure Fragments using a Deep Markov Model（使用深度马尔可夫模型对蛋白质结构片段进行高效生成建模）

片段库通常用于蛋白质结构预测、模拟和设计，作为显着减少巨大构象搜索空间的一种手段。由于蛋白质的动态性质和蛋白质结构中的实验错误，目前用于片段库生成的最先进方法不能正确解释偶然和认知不确定性。此外，它们通常依赖于一般或不易获得的信息，例如同源序列、相关蛋白质结构和其他互补信息。为了解决这些问题，我们开发了 BIFROST，这是一种新颖的片段库问题，基于深度马尔可夫模型架构结合角度自由度的方向统计，在深度概率编程语言 Pyro 中实现。BIFROST 是一个仅以氨基酸序列为条件的蛋白质骨架二面角的概率生成模型。BIFROST 生成的片段库的质量与当前最先进的方法相当，只需要一小部分运行时间，同时需要的信息要少得多，并且可以有效地评估概率。

2. Contrastive and Generative Graph Convolutional Networks for Graph-based Semi-Supervised Learning（用于基于图的半监督学习的对比和生成图卷积网络）

基于图的半监督学习（SSL）旨在通过图形将少量标记数据的标签转移到剩余的大量未标记数据中。作为最流行的基于图的SSL方法之一，最近提出的图卷积网络（GCN）通过将神经网络的声音表现力与图结构相结合，取得了显着进展。然而，现有的基于图的方法并没有直接解决SSL的核心问题，\emph{i.e.}，监督的不足，因此它们的性能仍然非常有限。针对这一问题，提出一种基于GCN的SSL算法，旨在利用数据相似性和图结构来丰富监管信号。首先，通过设计半监督对比损失，可以通过最大化相同数据的不同视图或来自同一类的数据之间的一致性来生成改进的节点表示。因此，丰富的未标记数据和稀缺但有价值的标记数据可以共同为学习判别节点表示提供丰富的监督信息，有助于提高后续的分类结果。其次，通过使用与输入特征相关的图生成损耗，将输入图拓扑与数据特征之间的底层确定性关系提取为SSL的补充监督信号。与其他最先进的方法相比，在各种真实数据集上的密集实验结果坚定地验证了我们算法的有效性。

图生成最新顶会论文2020

1. Distribution-induced Bidirectional Generative Adversarial Network for Graph Representation Learning（用于图表示学习的分布诱导双向生成对抗网络）

图表示学习旨在将图的所有节点编码为低维向量，作为许多计算视觉任务的输入。然而，大多数现有算法忽略了固有数据分布甚至噪声的存在。这可能会显着增加过拟合现象并降低测试精度。在本文中，我们提出了一种用于图表示学习的分布诱导双向生成对抗网络（名为 DBGAN）。我们的 DBGAN 中潜在表示的先验分布不是广泛使用的正态分布假设，而是以一种结构感知的方式估计的，它通过原型学习隐式连接图和特征空间。因此，为所有节点生成了有区别的和鲁棒的表示。此外，为了在保持表示能力的同时提高它们的泛化能力，样本级和分布级的一致性通过双向对抗学习框架得到了很好的平衡。然后精心设计和展示了一组广泛的实验，证明我们的 DBGAN 在表示和鲁棒性之间取得了显着更有利的权衡，同时在各种任务中比目前可用的替代方案更具有维度效率。