论文导读|图生成模型综述

1、Erdos-Renyi模型：

ER随机图有两种构建方式：

（1）G(N,M)，即先确定N个点，然后向这N个点之间撒M条边；

（2）G(N,p)，先确定N个点，任意两个不同的节点之间的连边概率是p；

以第二种构建方式为例，生成的图类似下图。

用E-R模型生成的图的度分布为泊松分布，集聚系数低。没有前述真实图的性质。

2、Watts-Strogatz模型：

由W-S模型生成的图，有局部聚类性质，但是会产生不切实际的度数分布（每个点都有≥ 的度）。

（二）优先连接（Preferential Attachment）模型

有两个关键特性：增长和优先连接。

优先连接（Preferential attachment）意味着节点之间的连接越多，接收新连接的可能性就越大。连接到顶点i的概率，其中是i的度。这样，图中就会存在少量中心节点（称为集线器）连接大量新节点。

算法步骤如下：

第一步，初始化一个含个顶点的随机图。

第二步，向图中添加一个新顶点，增加这个顶点和原图中m个顶点之间的边。和顶点i连边的概率，其中表示原图中顶点i的度。

在每一个时间步，重复执行第二步，直到图的规模满足要求。

可以证明，这样生成的图的度分布满足幂律，图中有少量中心节点连接大量节点。这符合真实图（特别是社交网络图等）的性质。但B-A模型无法产生在实际网络中看到的高水平聚类。

1、R-MAT模型：

为了生成一个节点数为N的图，该模型建立一个的邻接矩阵（如下图），其中。同时，模型需要四个参数a,b,c,d，满足a+b+c+d=1且a≥max⁡{b,c,d}。

R-MAT模型生成图的步骤如下。

首先，初始化邻接矩阵中的元素为0。

为了生成包含N个点，E条边的图，模型递归的将矩阵分为四个等规模的部分（如上图所示），其中每一部分获得一条边的概率分别由四个参数决定。经过n次细分，模型即可定位到某个具体位置(i,j)并将其置1。模型反复递归插入边，直至达到边数目要求。

这个算法生成有向图。但对生成过程稍作修改模型即可生成无向图、带权图及二分图等。

这个模型刻画了真实图的度分布、小直径、重叠社区等一系列性质。

先给出矩阵的Kronecker积的定义。

给定矩阵和B，大小分别为和，其Kronecker积为如下维矩阵。

Kronecker图的生成需要给定一个包含个节点、E_1条边的初始图。的k次Kronecker积定义为

易观察到Kronecker图满足如下性质，其中，表示图G⊗H中的点，而分别代表对应图G和H中的点。

直观上，Kronecker图模型递归的构造了自相似（Self-similar）的图。图的从扩张到的过程，乃是把中的每个节点扩张（替换）成了一份G_1的拷贝（如下图）。

符合真实图的度分布、小直径等静态性质和稠密化（Densification）、直径收缩（Shrinking Diameter）等时序性质。

（四）Configurations Model

Aiello-Chung-Lu模型：

规定度分布要满足幂律分布，因此对于人为给定的参数α和β，规定

这样，生成的图就具有以下性质：

（1）最大的度是

构造图的算法如下：

可见，ACL模型生成的图可能包括自环（Loop）和重边（Multi-edge），且很可能是非连通的。它的度分布严格满足幂律分布。

（五）Hyperbolic Graph Model

详见Krioukov D, Papadopoulos F, Kitsak M, et al. Hyperbolic geometry of complex networks[J]. Physical Review E, 2010, 82(3): 036106.本文由于篇幅限制不讨论。

（六）Stochastic Block model

详见Airoldi E M, Blei D M, Fienberg S E, et al. Mixed membership stochastic blockmodels[J]. Journal of machine learning research, 2008, 9(Sep): 1981-2014.本文由于篇幅限制不讨论。

1、DeepGMG

如下图，DeepGMG将图生成的过程建模成了(1)决定是否在现有图上增加顶点(2)决定是否在新增节点上增加边 (3)决定在新增节点和哪个节点之间加边三个部分所组成的序列。

如下图，把上述三个过程分别建模成（是否加顶点），（是否加边），（加哪条边）三个函数。三个函数都由多层神经网络实现。每一步迭代过程中，先判断是否要继续加顶点（），然后判断是否加边（），要的话加哪条边。直到为false时停止在新增节点上加边，而迭代到为false时，图生成结束。

如下图，A表示顶点数为n的图的邻接矩阵，E是表示边的属性的张量，F是表示顶点属性的矩阵。GraphVAE采用了和VAE类似的结构，encoder将图的信息G = (A, E, F) 转换为近似符合正态分布的向量z，再由decoder将z转换为G ̃。

Loss函数包含

(1)向量z分布与正态分布之间的相似性

(2)生成的G ̃和原图G之间的相似性两个部分。

3、GraphRNN

将图的生成处理成点和连边序列的生成。

如下图，共有两个RNN ( graph-level RNN和 edge-level RNN ) 参与图生成。绿色箭头表示graph-levelRNN，它的表示图的当前状态的编码。蓝色箭头表示edge-level RNN，它的表示新加入的节点i和旧图中其他节点的连边与否。每次更新时，用来初始化edge-level RNN，而edge-level RNN的输出和当前则作为下一个graph-level RNN hiddenstate的输入。

这样，每一步生成一个新节点（graph-level RNN）和这个点与其他node之间的连边（edge-level RNN）。

GraphRNN具有自回归结构，生成的图可以不受图顶点数目的限制。

4、MolGAN

如下图，MolGAN是生成分子结构图的神经网络。它的结构类似于GAN，从先验分布中采样，作为generator的输入，输出邻接矩阵A（包含边的类型信息）和注释矩阵X（代表每个节点对应的原子类型）。A和X是连续而密集的矩阵（A和X中的值是0和1之间的连续量，代表概率）。经过分类采样得到离散稀疏的A ̃和X ̃矩阵。将生成的图输入discriminator（评判这个化合物是否合理）和rewardnetwork（评判化合物是否具有某些想要的性质，比如可溶于水），进行评判。

由于离散化A和X的过程是不可求导的，论文中采用了三种不同的方法来决定discriminator和rewardnetwork的输入（因为篇幅限制，略去）。

5、传统和基于深度学习的算法的比较

人为观察到真实图一些重要的性质，并依此构造算法。

可以生成大规模图

易于理解，有丰富数学基础

基于深度学习的算法：

从数据集中的真实图中学习。

能从数据集中同时捕捉到结构和属性信息

对数据集中图的拟合更好

6、实验结果：

我们使用You J, Ying R, Ren X, et al. Graphrnn: Generating realistic graphs with deep auto-regressive models[J]. arXiv preprint arXiv:1802.08773, 2018.这篇文章中的指标和数据来分析实验结果。

对于每个图集合，我们有集合, 其中是图的衡量指标。Mi是单变量的实数集上的分布，比如集聚系数分布，度分布等。

用Wasserstein distance作为衡量两个分布之间距离的指标：

接下来介绍Maximum Mean Discrepancy (MMD) measures。

其中k是kernel函数。

我们用下图公式作为kernel函数：

这样，我们就能得到生成模型生成的图和真实图集合之间的差距，从而评价衡量指标。

2、数据集

500个双社区图，顶点数目在60到160之间。每个团是由E-R模型按n = |V|/2 和p = 0.3生成的。我们在两个团的节点之间共等概率加了0.05|V |条边。

（2）Grid.

100个标准二维网格图，顶点数目在100到400之间。

（3）B-A. 

500 graphs with 100 ≤ |V | ≤ 200 that are generated using the Baraba ́si-Albert model. During generation, each node is connected to 4 existing nodes. 

（4）Protein. 

918 个蛋白质结构图 (Dobson & Doig, 2003)，顶点数目在100到500之间。顶点代表氨基酸，如果两个氨基酸之间距离小于6埃（Angstrom），那么对应的两个顶点之间有连边。

从Citeseer上下载的757个3-hop Ego网络(Sen et al., 2008)，顶点数目在50和399之间。顶点表示文章，边表示引用关系。

3、实验结果

下图（table1）表示以MMD为指标，对一些传统图生成模型和GraphRNN的结果比较。

下图（table 2）表示以MMD和NLL为指标，对于各类learning-based图生成模型的实验结果比较。

下图表示各类图生成模型生成的图和真实图的度分布、集聚系数分布的比较。

Reference：

1. [GraphVAE]Simonovsky, Martin, and Nikos Komodakis. "Graphvae: Towards generation ofsmall graphs using variational autoencoders." InternationalConference on Artificial Neural Networks. Springer, Cham, 2018.

2. [MolGAN] De Cao,Nicola, and Thomas Kipf. "MolGAN: An implicit generative model for smallmolecular graphs." arXiv preprint arXiv:1805.11973 (2018).

3. [GraphRNN] You,Jiaxuan, et al. "Graphrnn: Generating realistic graphs with deepauto-regressive models." arXiv preprint arXiv:1802.08773 (2018).

4. [BiGG] Dai,Hanjun, et al. "Scalable Deep Generative Modeling for SparseGraphs." In ICML 2020.

5. William L.Hamilton, Graph Rrepresentation Learning, Chapter 8-9.

6. Guo, Xiaojie, andLiang Zhao. “A Systematic Survey on Deep Generative Models for GraphGeneration.” arXiv preprint arXiv:2007.06686 (2020).

7. Krioukov D,Papadopoulos F, Kitsak M, et al. Hyperbolic geometry of complex networks[J].Physical Review E, 2010, 82(3): 036106.

8. Airoldi E M, BleiD M, Fienberg S E, et al. Mixed membership stochastic blockmodels[J]. Journalof machine learning research, 2008, 9(Sep): 1981-2014.

9.  Erdős P, Rényi A.On the evolution of random graphs[J]. Publ. Math. Inst. Hung. Acad. Sci, 1960,5(1): 17-60.

10. William Aiello,Fan Chung, Linyuan Lu "A random graph model for power law graphs,"Experimental Mathematics, Experiment. Math. 10(1), 53-66, (2001)

11. Leskovec, Jure;Chakrabarti, Deepayan; Kleinberg, Jon; Faloutsos, Christos; Ghahramani,Zoubin (2010), "Kroneckergraphs: an approach to modeling networks", Journalof Machine Learning Research, 11:985–1042, arXiv:0812.4905, Bibcode:2008arXiv0812.4905L, MR 2600637.

12. Chakrabarti,Deepayan& Zhan, Yiping &Faloutsos, Christos. (2004). R-MAT: A recursivemodel for graph mining. SIAM Proceedings Series. 6. 10.1137/1.9781611972740.43.

13. Watts, D. J.; Strogatz, S. H. (1998). "Collective dynamics of 'small-world' networks"  (PDF) .   Nature . 393 (6684): 440–442. Bibcode:1998Natur.393..440W. doi:10.1038/30918. PMID 9623998.