一种用于图生成的简单且可扩展的表示

近期，采用神经网络进行图生成的兴趣激增，这是一项具有分子设计与社区分析等关键应用的基础统计学习问题。然而，大多数方法在生成大规模图时遇到了显著限制。这是由于它们需要输出完整的邻接矩阵，其大小随节点数呈二次增长。为应对这一挑战，我们引入了一种名为间隙编码边列表（GEEL）的全新、简单且可扩展的图表示，其表示规模较小且与边数对齐。此外，GEEL 通过引入间隙编码与带宽限制方案显著缩减了词汇表大小。结合节点位置编码，GEEL 可以进行自回归生成，并且我们通过设计一种新文法将 GEEL 扩展至属性图。我们的研究发现，采用这种紧凑的表示不仅增强了可扩展性，还通过简化图生成过程提升了性能。我们在十个非属性图与两个分子图生成任务上进行了全面评估，证明了 GEEL 的有效性。