生成任意规模的大型半合成图
社会与信息网络
2025-07-04 v1 人工智能
摘要
图生成是网络科学中的一个重要领域。传统方法侧重于复制现实世界图的特定属性，例如小直径或幂律度分布。深度学习的最新进展，特别是图神经网络，使得数据驱动方法能够在不依赖预定义结构属性的情况下学习并生成图。尽管取得了这些进展，当前模型仍因其依赖节点 ID 而受限，这限制了它们生成比输入图更大的图的能力，且忽略了节点属性。为了应对这些挑战，我们提出了潜在图采样生成（Latent Graph Sampling Generation, LGSG），这是一种新颖的框架，利用扩散模型和节点嵌入生成不同规模的图而无需重新训练。该框架消除了对节点 ID 的依赖，并捕获了节点嵌入和子图结构的分布，从而实现了可扩展且灵活的图生成。实验结果表明，LGSG 在标准指标上与基线模型表现相当，同时在被忽视的指标（如节点形成簇的趋势）上优于它们。此外，它在不同规模的图之间保持一致的结构特征，展现了鲁棒性和可扩展性。
引用
@article{arxiv.2507.02166,
title = {Generating Large Semi-Synthetic Graphs of Any Size},
author = {Rodrigo Tuna and Carlos Soares},
journal= {arXiv preprint arXiv:2507.02166},
year = {2025}
}