Neural Graph Generator: Feature-Conditioned Graph Generation using Latent Diffusion Models

图形生成已成为机器学习中的关键任务，生成准确反映特定属性的图形面临着巨大挑战。现有方法在高维复杂性和图形属性的多样性方面存在困难，难以有效地解决这一需求。在本文中，我们介绍了神经图形生成器（NGG），一种利用条件化的潜在扩散模型进行图形生成的新方法。NGG展示了模拟复杂图形模式的显著能力，同时提供了对图形生成过程的控制。NGG采用变分图形自编码器进行图形压缩，利用总结图形统计信息的向量在潜在向量空间中进行扩散过程。我们展示了NGG在各种图形生成任务中的多功能性，展示了其捕捉所需图形属性并推广到未见图形的能力。这项工作标志着图形生成方法学的重大转变，为生成具有特定特征的各种类型的图形提供了更实用和高效的解决方案。

NGG论文介绍了一种新的图生成方法，旨在解决现有方法在高维复杂性和图属性多样性方面的挑战。

NGG使用了条件潜在扩散模型进行图生成，结合了图压缩的变分图自编码器和潜在空间中的扩散过程，通过向量概括图统计信息来指导生成过程。

NGG在各种图生成任务中表现出了出色的性能，能够捕捉所需的图属性并推广到未见过的图形，具有更高的实用性和效率。论文提供了开源代码和使用的数据集。

最近的相关研究包括：GraphRNN、DeepGMG、GraphVAE、Graphite等。