Generative Netzwerke ermöglichen es, sinnvolle Signale wie Bilder und Texte aus einfachem Rauschen zu erzeugen. Kürzlich wurden auf GANs (Generative Adversarial Networks) und VAEs (Variational Autoencoders) basierende generative Methoden für Graphen und Graphensignale entwickelt. Allerdings sind die mathematischen Eigenschaften dieser Methoden unklar, und das Training von guten generativen Modellen ist schwierig. Diese Arbeit schlägt ein Graphenerzeugungsmodell vor, das eine jüngere Anpassung der Streutransformation von Mallat an Graphen verwendet. Das vorgeschlagene Modell besteht natürlicherweise aus einem Encoder und einem Decoder. Der Encoder ist eine gaußianisierte Graph-Streutransformation, die robust gegenüber Signal- und Graphmanipulation ist. Der Decoder ist ein einfaches vollständig verbundenes Netzwerk, das für spezifische Aufgaben angepasst wird, wie zum Beispiel Link-Vorhersage, Signalgenerierung auf Graphen und vollständige Generierung von Graphen und Signalen. Das Training des vorgeschlagenen Systems ist effizient, da es nur auf den Decoder angewendet wird, und die Hardwareanforderungen sind moderat. Numerische Ergebnisse zeigen die Stand der Technik überragende Leistung des vorgeschlagenen Systems sowohl bei der Link-Vorhersage als auch bei der Generierung von Graphen und Signalen.