目标
基于语义条件生成图
(1)基于条件生成尽可能相似的图。
(2)有条件的生成新的图。
解决的问题
(1)基于语义有条件的生成图
(2)如何处理图在生成过程中的顺序的问题
解决问题的方法
(1)提出了一个图变分自编码对抗生成网络。本质是Graph+VAE+GAN的结构和方法。
(2)通过对共轭潜在分布的变分推断，将结点编码分解为排列不变的图编码。
共轭： 共轭（conjugate）是贝叶斯方法中很常见的一个词，结合贝叶斯定理，我们可以将”共轭”理解为 后验和先验是同一种分布。参考文献 如何理解「共轭分布」？ – 知乎
方法
上图是整个方法的Piepline。上路是一个变分自编码器，将图结点坍塌为一个单独的图嵌入从而能够学习图的上下文语义信息，同时能够学习任意大小的图信息。下路是一个生成对抗网络，利用了GCN用于保证图编码过程中的顺序不变性。所有网络中的GCN都是参数共享的从而保证运算的效率。
这里要特别说一下对隐空间的共轭，是怎么做的，具体来说，和GAE（Graph Varational Autoencoder）的不同点在于，对于拟合高斯的均值和方差不使用图卷积，转而使用全连接来做。即使用一个平均的结果来替代每一个z。之前的很多人可能已经使用了这种方法，但是没有给出理论解释，作者给出了为什么可以这么做的解释即共轭。
此外，作者解释了为什么要添加Discriminator，原因在于，图的生成中，顺序是很重要的，因为生成的图需要和GT进行比较，而GT必然存在一种结点的排序。因此，这加大了图的生成的难度，因此作者提出，在生成图之后，将其送入Dis。这样的好处在于，与真实的图进行比较的时候，可以通过GAN的方式去拟合图的分布，而不仅仅是和GT一模一样，从而减小学习的难度。
参考文献
[1] Carl Yang, Peiye Zhuang, Wenhan Shi, Alan Luu, Pan Li:
Conditional Structure Generation through Graph Variational Generative Adversarial Nets. NeurIPS 2019: 1338-1349
Original: https://blog.csdn.net/baidu_40582876/article/details/124252180
Author: 莫问前程学无止境
Title: Conditional Structure Generation throughGraph Variational Generative Adversarial Nets 论文阅读
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/691123/
转载文章受原作者版权保护。转载请注明原作者出处！