在这次演讲中，Jure 阐述了图生成模型的方法和应用，并详细介绍了他的最新成果，GraphRNN 和 Graph Convolutional Policy Network。...图生成任务 GraphRNN：RNN 的两个层次 图卷积策略网络：将图表示和强化学习结合起来 为什么图网络很重要？ 为什么图网络很重要？...生成优化给定目标 / 约束的图 药物分子生成 / 优化 关键的见解 通过顺序添加节点 / 边来生成图 好处： 表示具有不同大小、不同序列长度的图 将不同的节点顺序对应于不同的生成轨迹 捕获节点之间的复杂依赖关系 GraphRNN...：RNN 的两个层次 GraphRNN：RNN 的两个层次 目标：将模型图生成作为序列生成 需要对两个流程建模： 为新节点生成状态 (节 Node-level RNN) 根据新节点的状态生成新节点的边
3 GraphRNN: Generating Realistic Graphs 上一部分主要讲图生成的思想，这部分则开始介绍图生成算法以及如何通过算法生成真实的网络。...背景已经讲了很多，现在我们开始学习图的深度生成模型GraphRNN，RNN生成图的整体流程可参考下图。...image.png 图5 再深入了解GraphRNN之前，我们先看下循环神经网络（Recurrent Neural Networks, RNN），如下图所示，RNN通常包括： 时刻的状态...如下图所示 和 ，GraphRNN由Node-level RNN和Edge-level RNN两部分组成。...image.png 图8a，GraphRNN生成图的逻辑 图8b 紧接着，我们看下GraphRNN是怎么训练的？ 首先关注损失函数。
在图生成任务中，作者评估了GraphGT中的15个数据集以及GraphRNN、GraphVAE、GraphGMG等三个常用的生成模型，并且采用节点度分布、聚类系数分布以及轨道计数分布等三项衡量标准来评估生成表现...由于GraphRNN采用了依次生成的方式生成图，因此可以处理大型的数据。但是CollabNet也是大型的数据集，甚至不能够被GraphRNN处理。...在下图中我们可以看到，GraphRNN在几乎所有数据集上的表现超越了GraphVAE和GraphGMG，尤其是在包含小图的数据集上，例如Profold、N-body、Skeleton。...但是GraphRNN在大型图数据例如交通网络上表现相对较差。GraphVAE在CLEVR和N-body-charged数据集上表现较好。这两个都是小型数据集并且生成方式更加随机。
自回归模型 GraphRNN 是一个早期的经典图生成模型，它把图的生成过程看作一个序列生成过程。...虽然图结构中节点的位置是可互换的，但是生成图总要有个先后顺序，所以GraphRNN 中每个图的节点被预先设定了一种排序，按照这种排序，我们可以一个节点一个节点地生成这个图。...（GraphRNN：图生成的自回归模型） 具体来讲，我们先把图G 用宽度优先搜索表示成一个序列的形式： 其中， 为一个某种节点的排序， 表示第 个节点与之前所有节点的连接向量。...GraphRNN 是一个比较通用的图生成模型，它没有考虑分子的性质，所以在分子的生成问题上，可以用强化学习的方法加上对生成分子的化学性质的预测，作为奖励函数进行反馈，从而使生成的分子具有我们想要的化学性质...Graphrnn: Generating realistic graphs with deep auto-regressive models[C]//International Conference on
「GraphRNN: Generating Realistic Graphs with Deep Auto-regressive Models（GraphRNN：通过深度自回归模型生成与真实情况相近的图
其它架构的图生成网络主要有 GraphRNN：通过两个层次的循环神经网络的深度图生成模型。...为了将一个图线性化为一系列节点来训练图层次的RNN，GraphRNN采用了广度优先搜索（BFS）策略。...为了建立训练边层次的RNN的二元序列模型，GraphRNN假定序列服从多元伯努利分布或条件伯努利分布。
这里作者为了提升生成速度，沿用GraphRNN的思想，采用BFS（广度优先搜索）进行节点的生成，通过维护队列来实现。
实验结果 首先作者分析了 PGD-VAE 和对比模型，包括 VGAE、GraphRNN、GRAN 的时间和空间复杂度。
这一领域的一些值得注意的工作包括Li等人（2018）提出的技术，GraphRNN（You等人，2018b），以及图重复注意网络（Liao等人，2019）。
研究方向：将感知数据更为合适地转化为结构化表示；深度图生成模型（Graph-based autoencoders, GraphRNN, MolGAN model[13]）；图结构的自适应调整[1]；图网络的可解释性
ICML 2018. paper Graphrnn: A deep generative model for graphs.
用于图生成的GAE，作者介绍了DeepGMG和GraphRNN。 （7）第7节介绍了STGNN的相关知识。在许多真实世界的应用程序中，图在图结构和图输入方面都是动态的。...GraphRNN提出了一种图级RNN和一种边级RNN，对节点和边的生成过程进行建模。
JaJa Paper：https://arxiv.org/pdf/1805.07683v4.pdf Python Reference：https://github.com/yuj-umd/graphRNN
GraphRNN(2018) 则遵循第二类思路，采用双层循环神经网络设计，第一层基于图的级别处理隐藏状态，为节点序列添加新的节点；第二层则基于边的级别生成布尔值列表，判断新生成的节点与原序列中的节点是否存在邻接关系
enzyme structures from non-enzymes without alignments》 D&D下载链接： https://github.com/snap-stanford/GraphRNN
Distinguishing enzyme structures from non-enzymes without alignments》 D&D下载链接： https://github.com/snap-stanford/GraphRNN
GraphRNN: Generating Realistic Graphs with Deep Auto-regressive Models.
Jure在图表示领域做出了许多贡献，包括PinSage，GraphRNN和19年ICLR的“How Powerful Are Graph Neural Networks?”等经典工作。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
即时通信 IM
ICP备案
对象存储
实时音视频
