圖網絡領域的大牛、斯坦福大學Jure Leskovec教授在ICLR 2019就圖深度生成模型做了演講，闡述了圖生成模型的方法和應用，并詳細介紹了他的最新成果

斯坦福大學教授Jure Leskovec是圖網絡領域的專家，圖表示學習方法 node2vec 和 GraphSAGE 作者之一。

Jure Leskovec

在今年 ICLR，Jure Leskovec 教授及斯坦福、MIT 的多名研究者發表論文How Powerful Are Graph Neural Networks?(https://cs.stanford.edu/people/jure/pubs/gin-iclr19.pdf)，詳細闡述了圖神經網絡背后的原理和其強大的表征能力，認為圖神經網絡在因果推理方面有巨大的潛力，有望成為 AI 的下一個拐點。

此外，在 ICLR 受邀演講上，Jure Leskovec 教授還就圖深度生成模型做了演講。在這次演講中，Jure 闡述了圖生成模型的方法和應用，并詳細介紹了他的最新成果，GraphRNN 和 Graph Convolutional Policy Network。

本文帶來該演講的 PPT。

下載鏈接 (或點擊閱讀原文下載）：

http://i.stanford.edu/~jure/pub/talks2/graph_gen-iclr-may19-long.pdf

主要內容：

為什么圖網絡很重要？

圖生成任務

GraphRNN：RNN 的兩個層次

圖卷積策略網絡：將圖表示和強化學習結合起來

為什么圖網絡很重要？

為什么圖網絡很重要？

深入了解圖的形成過程

異常檢測 - 異常行為，進化

預測 —— 根據過去預測未來

新的圖結構的模擬

圖補全 - 很多圖都是部分可觀察的

“如果” 場景

圖生成任務

任務 1：生成逼真的圖

生成與給定數據集相似的圖

任務 2：目標導向的圖生成

生成優化給定目標 / 約束的圖

藥物分子生成 / 優化

關鍵的見解

通過順序添加節點 / 邊來生成圖

好處：

表示具有不同大小、不同序列長度的圖

將不同的節點順序對應于不同的生成軌跡

捕獲節點之間的復雜依賴關系

GraphRNN：RNN 的兩個層次

GraphRNN：RNN 的兩個層次

目標：將模型圖生成作為序列生成

需要對兩個流程建模：

為新節點生成狀態 (節 Node-level RNN)

根據新節點的狀態生成新節點的邊 (Edge-level RNN)

圖卷積策略網絡

圖卷積策略網絡：目標導向的圖生成 (GCPN)

將圖表示 + RL 結合起來

圖表示 (Graph representation) 捕獲復雜的結構信息，并在每個狀態轉換中啟用有效性檢查 (Valid)

強化學習 (RL) 優化中間 / 最終獎勵 (High scores)

對抗性訓練 (Adversarial training) 模仿給定數據集中的例子 (Realistic)

總結

通過序列生成，可以成功生成復雜的圖

每一步決策都是基于隱藏狀態做出的

顯式：中間生成圖，用 GCN 解碼

隱式：向量表示，RNN 解碼

任務：

模仿一組給定的圖

按照既定目標優化圖