GraphGen-Redux：一种用于带标签图生成的快速轻量循环模型
机器学习
2021-07-20 v1
摘要
带标签图生成问题正受到深度学习社区越来越多的关注。由于图空间的稀疏与离散性质，该任务具有挑战性。文献中已提出多种方法，其中大多数需要将图转换为编码其结构与标签的序列，并通过自回归生成模型学习此类序列的分布。在此类方法中，我们聚焦于 GraphGen 模型。GraphGen 的预处理阶段将图转换为称为深度优先搜索(DFS)码的唯一边序列，使得两个同构图被赋予相同的 DFS 码。DFS 码的每个元素与一条图边相关联：具体而言，它是一个五元组，包含两端点各自的节点标识符、它们的节点标签以及边标签。GraphGen 学习以自回归方式生成此类序列，并独立地对五元组中各分量的概率建模。尽管有效，该模型所做的独立性假设过于宽松，无法精确捕捉真实世界图中复杂的标签依赖关系。通过引入一种新颖的图预处理方法，我们得以联合处理节点与边的标签信息。相应的模型，我们称之为 GraphGen-Redux，在化学图与社交图的广泛数据集上改善了 GraphGen 的生成性能。此外，它使用的参数比原始版本约少 78%，且平均所需训练轮数少 50%。
引用
@article{arxiv.2107.08396,
title = {GraphGen-Redux: a Fast and Lightweight Recurrent Model for labeled Graph Generation},
author = {Marco Podda and Davide Bacciu},
journal= {arXiv preprint arXiv:2107.08396},
year = {2021}
}