GraphRNN: Generating Realistic Graphs with Deep Auto-Regressive Models

Metadane

• Autorzy: Jiaxuan You, Rex Ying, Xiang Ren, William Hamilton, Jure Leskovec
• Rok: 2018
• Źródło: ICML 2018
• Status: to-read
• Pochodzenie: Wyekstrahowane z xu-edog-adversarial-2023
• Tagi: to-read reference graph-generation autoregressive graphrnn

Streszczenie

GraphRNN - deep auto-regressive model do generowania realistycznych grafów. Model generuje graf sekwencyjnie: najpierw wybiera kolejność węzłów, następnie dla każdego nowego węzła generuje jego połączenia z poprzednimi węzłami używając RNN.

Proces generacji: węzeł-po-węźle, a dla każdego węzła krawędź-po-krawędzi. Używa graph-level RNN + edge-level RNN architecture. Model może nauczyć się i replikować properties rzeczywistych grafów (degree distribution, clustering coefficient).

Kluczowe Wnioski

• Autoregressive approach do graph generation
• Hierarchical RNN: graph-level + edge-level
• Może generować grafy o dowolnej wielkości
• Preserves graph properties (degree dist, clustering, motifs)
• Tractable likelihood dla probabilistic inference

Notatki

Publikacja dodana automatycznie z bibliografii. Inspiracja dla GraphGenDetect component w EDoG.

Relevancja dla xu-edog-adversarial-2023:

• EDoG GraphGenDetect inspirowany sequence generation approach
• Różnica: EDoG generuje edge-by-edge dla detection (nie do generowania diverse graphs)
• EDoG trenuje na subgraphs aby uniknąć learning malicious patterns
• Goal: preserve original graph properties, nie diversity
• GCN + bilinear zamiast hierarchical RNN (prostsze, wystarczające do detection)