GrannGAN：图标注生成对抗网络
机器学习
2022-12-02 v1
摘要
我们考虑对高维分布进行建模，并生成与图骨架一致的具有复杂关系特征结构的新数据样本的问题。我们提出的模型通过将任务分为两个阶段来解决在每数据点特定图结构约束下生成数据特征的问题。第一阶段对给定图节点关联特征的分布式建模，第二阶段在节点特征条件下补全边特征。我们采用通过生成对抗网络(GAN)结合在节点和边集合上操作的置换等变消息传递架构的隐式分布建模策略。这使得能够一次性（分两阶段）生成所有图对象的特征向量，而非顺序模型极慢的逐个生成；避免了基于似然的生成模型通常所需的昂贵图匹配过程；并且由于对图表示中特定节点排序不敏感而高效利用网络容量。据我们所知，这是首个沿图骨架对特征分布建模从而允许生成用户指定结构的标注图的方法。我们的实验通过对三个标注图数据集的定量评估证明了模型学习复杂结构化分布的能力。
引用
@article{arxiv.2212.00449,
title = {GrannGAN: Graph annotation generative adversarial networks},
author = {Yoann Boget and Magda Gregorova and Alexandros Kalousis},
journal= {arXiv preprint arXiv:2212.00449},
year = {2022}
}
备注
Published as Journal Track paper ACML 2022