探索图生成算法

​

Discovering Graph Generation Algorithms

解决问题：
该论文旨在提出一种新的方法来构建图形的生成模型，通过寻找生成数据的算法，而不是使用传统的概率模型或深度生成模型。这个方法是否是一个新问题，取决于如何定义“新问题”，但它提供了一种新的思路来解决图形生成的问题。

关键思路：
论文的关键思路是使用进化搜索和一个强大的适应性函数，通过一个随机初始化的图形神经网络来实现寻找生成数据的算法。这个方法相比当前领域的研究状况，具有更高的潜力，可以实现超出训练分布的泛化和直接的可解释性，因为最终的图形生成过程是用Python函数表示的。相比于深度生成模型，这种方法具有一些优势。

其他亮点：
论文的实验设计了几个不同的数据集，对比了该方法和深度生成模型的性能，并且开源了代码。该方法的成功展示了一种新的思路来解决图形生成的问题，并且值得进一步研究。

关于作者：
Mihai Babiac, Karolis Martinkus, Roger Wattenhofer是论文的主要作者。他们分别来自苏黎世联邦理工学院和瑞士大学。在之前的代表作中，Mihai Babiac曾发表过关于无线传感器网络和分布式计算的论文；Karolis Martinkus曾在图形生成领域有过相关研究；Roger Wattenhofer则是分布式计算领域的专家。

相关研究：
近期其他相关的研究包括：

• “GraphRNN: Generating Realistic Graphs with Deep Auto-regressive Models”，作者：Jiaxuan You, Rex Ying, Xiang Ren，机构：斯坦福大学。
• “Graph Convolutional Policy Network for Goal-Directed Molecular Graph Generation”，作者：Jiaxuan You, Bowen Liu, Rex Ying, Vijay Pande，机构：斯坦福大学。

论文摘要：我们提供了一种新颖的方法来构建图的生成模型。我们提出了一种方法，不使用传统的概率模型或深度生成模型，而是寻找生成数据的算法。我们使用进化搜索和一个由随机初始化的图神经网络实现的强大适应度函数来实现这一点。这带来了一些优势，例如更高的潜在训练分布外泛化能力和直接可解释性，因为最终的图生成过程被表达为Python函数。我们展示了这种方法可以与深度生成模型竞争，并且在某些情况下甚至可以找到真正的图生成过程，从而完美地实现泛化。

​Read More