基于神经网络的图生成模型研究综述.docVIP

基于神经网络的图生成模型研究综述

一、图生成模型的发展背景与核心定位

图作为一种能够刻画实体间关联关系的通用数据结构，广泛存在于社交网络、分子化学、知识图谱、交通系统等诸多现实场景中。传统图生成方法多基于随机图模型，如Erd?s–Rényi模型、Barabási-Albert无标度网络模型等，这类方法依赖人工预设的统计规则，仅能模拟图的部分宏观统计特征，无法适配复杂场景下对图结构细节、节点属性、功能约束的定制化需求。随着深度学习技术的发展，神经网络凭借强大的分布拟合能力与端到端学习特性，成为突破传统图生成瓶颈的核心技术路径，基于神经网络的图生成模型也逐渐成为图学习领域的核心研究方向之一。

与图像、文本等欧几里得结构化数据不同，图数据具有非欧几里得特性：节点排列具有置换不变性、边的连接没有固定的网格顺序、图的规模（节点数、边数）可变。这些特性使得传统适用于网格数据的生成模型（如GAN、VAE、扩散模型等）无法直接迁移到图生成场景，需要针对图的结构特性设计专属的建模框架与优化目标。当前图生成模型的核心目标可以归纳为三类：一是学习真实图数据集的分布，生成与真实数据统计特征一致的新图；二是满足特定约束条件的条件图生成，如生成符合特定靶点结合要求的药物分子、满足特定流量需求的交通路网；三是在低资源场景下实现高效图生成，降低模型对标注数据与计算资源的依赖。

二、基于序列化建模的图生成模型

序列