[论文解读] Deep Graph Translation

Xiaojie Guo, Lingfei Wu+1 more|arXiv (Cornell University)|May 25, 2018

Advanced Graph Neural Networks被引用 15

一句话总结

本文提出图-翻译-生成对抗网络（GT-GAN），一种条件生成模型，通过建模全局与局部结构映射，学习将输入图翻译为目标图。GT-GAN 使用新颖的图卷积与反卷积层进行编码-解码学习，并引入条件图判别器，在低数据或异常预测场景下实现了最先进的生成性能，尤其在生成逼真目标图方面表现优异。

ABSTRACT

Inspired by the tremendous success of deep generative models on generating continuous data like image and audio, in the most recent year, few deep graph generative models have been proposed to generate discrete data such as graphs. They are typically unconditioned generative models which has no control on modes of the graphs being generated. Differently, in this paper, we are interested in a new problem named \emph{Deep Graph Translation}: given an input graph, we want to infer a target graph based on their underlying (both global and local) translation mapping. Graph translation could be highly desirable in many applications such as disaster management and rare event forecasting, where the rare and abnormal graph patterns (e.g., traffic congestions and terrorism events) will be inferred prior to their occurrence even without historical data on the abnormal patterns for this graph (e.g., a road network or human contact network). To achieve this, we propose a novel Graph-Translation-Generative Adversarial Networks (GT-GAN) which will generate a graph translator from input to target graphs. GT-GAN consists of a graph translator where we propose new graph convolution and deconvolution layers to learn the global and local translation mapping. A new conditional graph discriminator has also been proposed to classify target graphs by conditioning on input graphs. Extensive experiments on multiple synthetic and real-world datasets demonstrate the effectiveness and scalability of the proposed GT-GAN.

研究动机与目标

• 解决现有无条件图生成模型控制性不足的问题，这些模型无法引导生成特定目标模式。
• 实现在无目标模式历史数据的情况下，将源图转换为语义或结构相关的目标图的图翻译。
• 构建一个可扩展且可扩展的框架，能够建模复杂且可变大小的图结构，并保持置换不变性。
• 通过从正常输入图推断异常图模式（如交通拥堵、网络攻击）支持现实世界应用，如灾难管理和罕见事件预测。
• 实现高保真图生成，确保在翻译过程中保留全局拓扑结构与局部结构特性。

提出的方法

• 提出一种新型图-翻译-生成对抗网络（GT-GAN），学习从输入图到目标图的条件生成模型映射。
• 设计新型图卷积与反卷积层，以编码输入图并解码为目标图，同时保留全局与局部结构模式。
• 提出基于图卷积网络（GCN）的条件图判别器，根据输入图对目标图进行分类，提升生成结果的真实性与一致性。
• 将训练目标形式化为生成器（图翻译器）与条件判别器之间的极小化极大博弈，以优化生成结果的真实感与结构准确性。
• 通过设计时间与内存复杂度在节点数上最多为二次方的模型，确保可扩展性，适用于中等规模图。
• 通过允许模块化替换核心组件（如 GCN 层与判别器中的距离度量）支持可扩展性，可集成先进方法。

实验结果

研究问题

• RQ1 无目标模式先验样本的情况下，深度生成模型能否有效学习将输入图翻译为在结构与语义上均合理的输出图？
• RQ2 在涉及罕见或异常模式的情况下，该模型在图翻译过程中对全局拓扑与局部结构特征的保留程度如何？
• RQ3 所提出的 GT-GAN 在生成逼真且判别有效的目标图方面，相较于现有无条件图生成模型（如基于 VAE 的方法）的性能提升程度如何？
• RQ4 GT-GAN 框架在多样化合成与真实世界图分布（包括无标度图与泊松随机图）上的可扩展性与泛化能力如何？
• RQ5 当真实目标数据缺失时，生成的图能否有效用作下游分类任务的正样本？

主要发现

• GT-GAN 在生成逼真目标图方面显著优于 randomVAE 基线模型，在泊松随机图上 F1 分数提升 50%，在无标度图上所有指标均提升超过 10%。
• 在用户授权数据集上，GT-GAN 生成的图在 50 个节点时 AUC 达 0.78，300 个节点时达 0.79，显著优于 randomVAE（AUC ~0.5），并接近最优分类器（AUC ~0.97）。
• 生成图的平均边增加比例为 3.6，接近真实值 5，表明 GT-GAN 有效学习了从输入图到目标图的底层翻译规则。
• 在 GT-GAN 生成图上训练的分类器性能始终接近最优分类器，证明生成图具有判别有效性，适用于下游任务。
• 即使在异常状态无先验样本的情况下，模型仍能成功从正常输入图中推断出异常网络模式（如被入侵的认证网络）。
• 大量消融实验与案例研究证实，GT-GAN 准确捕捉了全局与局部翻译映射，经节点度分布相似性与结构一致性验证。