用于分析图生成器鲁棒性的无穷镜像测试

图生成器从源图学习模型，以生成一个具有许多相同性质的新图。所学习的模型各自内置了隐式和显式偏差，理解在生成新图时所做出的假设非常重要。当然，新图与原图之间的差异，通过任意数量的图性质进行比较，是任何建模任务中固有偏差的重要指标。然而，这些关键差异是微妙的，使用标准性能指标并不明显。因此，我们引入了无穷镜像测试，用于分析图生成器的性能和鲁棒性。该压力测试通过反复、递归地将模型拟合到其自身来运行。完美的图生成器不会偏离原始或理想图，然而，各种模型中内置的隐式偏差和假设会被无穷镜像测试放大，从而获得此前无法获得的新见解。我们通过数百次在 6 个真实世界图上的实验表明，几种常见的图生成器会以有趣且信息丰富的方式退化。我们认为，观察到的退化模式是未来开发更好图模型的线索。