演化细化生成图拓扑：一种混合 WGAN-GA 方法
机器学习
2026-05-29 v1 人工智能
摘要
生成逼真的图结构数据具有挑战性，原因在于离散连通性、图大小的变化以及类别特定的结构模式。最近的基于生成对抗网络 (GAN) 的图生成方法通过学习连通性并匹配类别特定的密度分布来改进边的建模。然而，这些模型仍与真实图在度分布和谱分布方面存在显著偏差，表明重要的结构属性未被充分保留。本工作旨在通过对现有 GAN-based 图生成框架生成的图进行遗传算法 (GA) 细化来降低这些偏差。在 GAN 框架中，生成器同时产生节点特征和连通性模式，而基于图神经网络的批评家评估图的真实感和类别一致性，以确保全局结构和类别对齐。基于此基础上，我们将 GA 应用于生成图的边进行细化。细化过程引导合成图接近真实数据，同时保持多样性和新颖性。实验结果表明，GA 细化显著降低了组合最大均值不等式 (MMD)，导致生成的图更贴近真实结构模式。这表明演化细化是纠正 GAN-based 图生成器残余结构偏差的有效且灵活的方法，提高了其用于真实图合成和数据增强的适用性。
引用
@article{arxiv.2605.29161,
title = {Evolutionary Refinement of Generative Graph Topologies: A Hybrid WGAN-GA Approach},
author = {James Sargant and Seyedeh Ava Razi Razavi and Renata Dividino and Sheridan Houghten},
journal= {arXiv preprint arXiv:2605.29161},
year = {2026}
}
备注
6 pages, 4 Figures, 4 Tables, IEEE World Congress on Computational Intelligence