基于掩码自编码器的图生成模型评估
机器学习
2025-03-18 v1
摘要
近年来，大量图生成模型（GGM）被提出。然而，评估这些模型仍是一项艰巨的挑战，主要难点在于难以提取能准确表示真实世界图的有意义的图特征。依赖节点度分布、聚类系数或拉普拉斯谱等图统计特性的传统评估技术忽略了节点特征且缺乏可扩展性。近期提出的一些基于深度学习的方法采用图随机神经网络或对比学习来提取图特征，相比传统统计方法展现出了更优的性能，但其实验结果也表明这些方法在不同指标下并不总能良好工作。尽管这些指标之间存在重叠，但它们通常不可互换，各自从不同视角评估生成模型。本文提出了一种新方法，利用图掩码自编码器为 GGM 评估有效提取图特征。我们在图上进行了广泛实验，凭经验证明在诸如“Fréchet Distance (FD)”和“MMD Linear”等多个 GGM 评估指标上，我们的方法比先前提出的方法更可靠、更有效。然而，没有哪种单一方法能在所有指标和数据集上始终表现出色。因此，本研究也旨在提升人们对 GGM 评估技术重要性与挑战性的认识，特别是鉴于生成模型的最新进展。
引用
@article{arxiv.2503.13271,
title = {Graph Generative Models Evaluation with Masked Autoencoder},
author = {Chengen Wang and Murat Kantarcioglu},
journal= {arXiv preprint arXiv:2503.13271},
year = {2025}
}