[论文解读] Labeled Graph Generative Adversarial Networks

Shuangfei Fan, Bert Huang|arXiv (Cornell University)|Jun 7, 2019

Cell Image Analysis Techniques参考文献 28被引用 19

一句话总结

本文提出标签图生成对抗网络（LGGAN），一种深度生成模型，通过训练生成器生成节点标签和邻接矩阵，同时使用带有残差连接的图卷积判别器来区分真实图与生成图，从而合成逼真且多样化的标签图。LGGAN在结构保真度、跨图尺寸与领域泛化能力以及多样性方面优于现有方法，同时保持了训练数据的关键分布特性。

ABSTRACT

As a new approach to train generative models, \emph{generative adversarial networks} (GANs) have achieved considerable success in image generation. This framework has also recently been applied to data with graph structures. We propose labeled-graph generative adversarial networks (LGGAN) to train deep generative models for graph-structured data with node labels. We test the approach on various types of graph datasets, such as collections of citation networks and protein graphs. Experiment results show that our model can generate diverse labeled graphs that match the structural characteristics of the training data and outperforms all alternative approaches in quality and generality. To further evaluate the quality of the generated graphs, we use them on a downstream task of graph classification, and the results show that LGGAN can faithfully capture the important aspects of the graph structure.

研究动机与目标

• 开发一种深度生成模型，能够合成兼具节点标签和复杂拓扑结构的真实标签图数据。
• 解决现有图 GAN 模型无法处理节点标签或在不同类型和尺寸的图之间泛化的问题。
• 通过生成模仿真实世界结构但不暴露敏感信息的合成图，实现隐私保护的图数据共享。
• 利用下游图分类任务和结构度量方法评估生成图的质量。
• 确保模型生成多样化的图，而非训练样本的简单复制品，实现新颖性与真实感之间的平衡。

提出的方法

• 生成器网络学习从潜在噪声向量映射到完整标签图，生成邻接矩阵和节点标签。
• 判别器使用带有残差连接的图卷积网络（GCN）提取自适应、结构感知的高层特征，以区分真实图与生成图。
• GAN 框架以对抗方式训练生成器与判别器，其中生成器不断提升欺骗判别器的能力，判别器则不断提升识别伪造图的能力。
• 模型采用基于 Weisfeiler-Lehman 核的距离度量方法，定量评估生成图与训练数据之间的多样性。
• 在训练过程中联合优化图结构与标签生成，以确保节点属性与拓扑结构之间的一致性。
• 评估包括内在度量（MMD、核距离）以及在合成数据上的下游图分类性能。

实验结果

研究问题

• RQ1 基于 GAN 的模型能否有效生成保留真实世界图数据结构特性和分布特性的标签图？
• RQ2 LGGAN 在不同图类型与尺寸下的结构保真度与多样性方面，相较于传统与深度生成模型表现如何？
• RQ3 LGGAN 在未见过的图领域（如引用网络和蛋白质相互作用图）中的泛化能力如何？
• RQ4 与忽略标签的模型相比，引入节点标签是否能提升生成图的真实感与质量？
• RQ5 生成图在下游任务（如图分类）中的表现如何，表明其是否准确捕捉了底层数据分布？

主要发现

• LGGAN 生成的标签图在 Cora、CiteSeer、PROTEINS 和 ENZYMES 等多样化数据集上，均能匹配训练数据的结构特征，包括度分布、聚类系数和社区结构。
• 在 Cora-small 和 Cora 数据集上，LGGAN 保持了较低的极大平均差异（MMD）分数，且在更大图中仅出现微小增长，表明其具备出色的可扩展性与一致性。
• LGGAN 在质量与泛化能力方面全面超越所有基线模型（包括 MolGAN、DeepGMG、GraphRNN 以及传统模型如 E-R 和 B-A），尤其在大型与多样化图类型上表现更优。
• 模型实现了高多样性，如 Weisfeiler-Lehman 核距离所示：生成图既非训练图的精确复制品，也未过度偏离，表明新颖性与真实感达到良好平衡。
• 在下游图分类任务中，LGGAN 生成的图表现出具有竞争力的性能，证明模型准确捕捉了真实数据中重要的结构与基于标签的特征。
• 在所评估的模型中，LGGAN 是唯一在多个领域（包括引用网络与分子图）中均保持稳定高性能的模型，表明其具备广泛适用性且不易过度专业化。