摘要
学习图结构的分布可用于自动药物发现、分子设计、复杂网络分析等诸多领域。本文提出了一种基于深度状态机（deep state machine）思想的图生成模型学习框架的改进方法。为学习状态转移决策，我们采用一系列图嵌入与节点嵌入技术作为状态机的记忆机制。我们的分析基于对随机图生成器分布的学习，提供了统计检验方法，用以判断哪些图属性可以被有效学习，以及所学分布对原始图分布的逼近程度。研究结果表明，状态机的设计倾向于捕捉特定类型的图分布。我们成功学习了顶点数最多达150个的图模型。相关代码与参数已公开，可供复现本研究结果。