在许多领域中,图在编码现实对象的关系信息中是普遍存在的。图生成的目的是从类似于观察图的分布中生成新的图,由于深度学习模型的最新进展,它得到了越来越多的关注。在本文中,我们对现有的图生成的文献进行了全面的回顾,从各种新兴的方法到它广泛的应用领域。具体来说,我们首先阐述了深度图生成问题,并讨论了它与几个相关的图学习任务的区别。其次,我们根据模型体系结构将现有的方法分为三类,并总结了它们的生成策略。第三,介绍了深度图生成的三个关键应用领域。最后,我们强调了深度图生成未来研究的挑战和机遇。

成为VIP会员查看完整内容
22

相关内容

清华团队综述全面解读图神经网络理论方法与应用
图数据表示学习综述论文
专知
52+阅读 · 2019年6月10日
清华大学图神经网络综述:模型与应用
机器之心
72+阅读 · 2018年12月26日
图神经网络综述:模型与应用
PaperWeekly
195+阅读 · 2018年12月26日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
16+阅读 · 2020年5月20日
A Comprehensive Survey on Graph Neural Networks
Arxiv
13+阅读 · 2019年3月10日
Arxiv
53+阅读 · 2018年12月11日
VIP会员
相关VIP内容
相关基金
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员