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、图生成模型的基础概念与发展脉络

图是一种由节点和边构成的非线性数据结构，能够直观表达实体间的关联关系，广泛存在于社交网络、分子化学、知识图谱、生物信息等多个领域。图生成任务的核心目标是学习真实图数据集的分布规律，生成具有相似结构属性或特定功能的新图，其研究价值既体现在对复杂系统结构演化规律的理论探索，也落地于药物分子设计、网络异常检测、交通路网规划等实际场景。

传统图生成方法多基于随机图理论，例如Erd?s–Rényi模型通过设定固定的边连接概率生成随机图，小世界模型通过重连边构建兼具高聚集性和短路径的网络结构，无标度模型通过优先连接机制生成服从幂律度分布的图。这类方法的局限性在于依赖人工预设的结构规则，无法适配复杂多样的真实图分布，更难以实现条件约束下的定制化生成。2014年生成对抗网络（GAN）的提出为生成式建模带来革命性突破，随后研究者逐步将神经网络方法引入图生成领域，2018年GraphVAE的出现标志着基于深度学习的图生成模型正式成为独立研究方向，此后五年间相关模型的生成质量、效率和适用场景得到了跨越式发展。

二、主流图生成模型的技术范式与核心架构

当前基于神经网络的图生成模型可分为五大技术范式，不同范式在建模思路、适用场景和性能表现上存在显著差异：

（一）自回归式图生成模型

自回归范式将图生成过程拆解为序列化的节点与边生成步骤，每一