xVGAE生成图快几个数量级，质量媲美SOTA！
xVGAE: A Hierarchical Variational Graph Autoencoder for Exchangeable Graphs
📖 AI 总结
该论文提出xVGAE，一种面向可交换图的分层变分图自编码器生成模型。作者指出，现有先进图生成模型在部分较简单场景下难以在标准算力预算内收敛，或生成速度过慢。xVGAE受Aldous-Hoover定理启发，该定理表明可交换图分布可由图级隐变量、一组可交换的节点级隐变量以及将二者映射为任意节点对连边概率的graphon函数三要素刻画。模型从训练图集中学习底层graphon的近似以及图级和节点级隐表示，并能一次性快速生成新图。实验显示，其编码的隐表示与图级和节点级属性相关，生成质量与先进模型相当，而生成速度提升数个数量级，生成图的关键统计量与训练集高度吻合。
🔑 关键词速览
| xVGAE | 可交换变分图自编码器，一种基于Aldous-Hoover定理的图生成模型，能快速生成高质量图。 |
| Aldous-Hoover定理 | 一个表示定理，指出任何可交换图分布可由图级潜在变量、节点级潜在变量和图函数表示。 |
| 可交换图 | 节点索引置换不改变其概率分布的图，即图分布具有置换不变性。 |
| 图函数 | 将图和节点级潜在变量映射为节点间边概率的函数，用于刻画图生成过程。 |
| 变分图自编码器 | 一种基于变分自编码器的图生成模型，通过潜在变量学习图的表示和生成。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅