Discrete Latent Graph Generative Modeling with Diffusion Bridges

学习在潜在空间中生成图形的模型相比于在原始数据空间中操作的模型受到的关注较少，并且到目前为止表现欠佳。我们提出了GLAD，这是一种潜在空间图形生成模型。与大多数以前的潜在空间图形生成模型不同，GLAD在离散潜在空间上运行，这在很大程度上保留了图形结构的离散性质，不做任何不自然的假设，例如潜在空间连续性。我们通过将扩散桥适应其结构来学习离散潜在空间的先验知识。通过在适当构造的潜在空间上操作，我们避免了依赖于在原始数据空间中操作的模型中经常使用的分解。我们在一系列图形基准数据集上进行实验，清楚地展示了离散潜在空间的优越性，并获得了最先进的图形生成性能，使GLAD成为具有竞争性能的第一个潜在空间图形生成模型。我们的源代码已发布在以下网址：\url{https://github.com/v18nguye/GLAD}。

GLAD试图解决图生成模型在潜在空间中的表现不佳的问题，提出一种基于离散潜在空间的图生成模型。

GLAD通过在离散潜在空间中进行操作，避免了在原始数据空间中进行分解的依赖，并通过使用扩散桥来适应学习离散潜在空间的先验。

论文在一系列图基准数据集上进行实验，证明了离散潜在空间的优越性，并获得了最先进的图生成性能。论文提供了开源代码。

近期的相关研究包括：Variational Graph Auto-Encoders (VGAE)、GraphRNN、Deep Graph Infomax (DGI)等。