Die Schätzung von Verteilungen von Graphen kann für die automatisierte Arzneimittelforschung, Moleküldesign, Analyse komplexer Netzwerke und vieles mehr genutzt werden. Wir präsentieren einen verbesserten Rahmen für die Lernung generativer Graphmodelle basierend auf dem Konzept tiefer Zustandsmaschinen. Um Entscheidungen bezüglich Zustandsübergänge zu lernen, verwenden wir eine Reihe von Graph- und Knoten-Embedding-Techniken als Gedächtnis der Zustandsmaschine. Unsere Analyse beruht auf der Schätzung der Verteilung zufälliger Graphgeneratoren, für die wir statistische Tests bereitstellen, um festzustellen, welche Eigenschaften erlernt werden können und wie gut die ursprüngliche Graphverteilung repräsentiert wird. Wir zeigen, dass die Architektur der Zustandsmaschine bestimmte Verteilungen begünstigt. Es wurden Graphmodelle mit bis zu 150 Knoten gelernt. Der Quellcode und die Modellparameter sind öffentlich verfügbar, um unsere Ergebnisse nachzuvollziehen.