Codage de représentations robustes pour la génération de graphes

Les réseaux génératifs ont rendu possible la création de signaux significatifs tels que des images et des textes à partir de bruits simples. Récemment, des méthodes génératives basées sur les GAN (Generative Adversarial Networks) et les VAE (Variational Autoencoders) ont été développées pour les graphes et les signaux de graphe. Cependant, les propriétés mathématiques de ces méthodes restent floues, et l'entraînement de bons modèles génératifs est difficile. Cette étude propose un modèle de génération de graphes qui utilise une adaptation récente de la transformation en diffusion de Mallat aux graphes. Le modèle proposé se compose naturellement d'un encodeur et d'un décodeur. L'encodeur est une transformation en diffusion de graphe gaussienne, qui est robuste aux manipulations des signaux et des graphes. Le décodeur est un réseau entièrement connecté simple, adapté à des tâches spécifiques telles que la prédiction de liens, la génération de signaux sur les graphes et la génération complète de graphes et de signaux. L'entraînement du système proposé est efficace car il ne s'applique qu'au décodeur, et les exigences matérielles sont modérées. Les résultats numériques montrent des performances d'état de l'art du système proposé pour la prédiction de liens ainsi que pour la génération de graphes et de signaux.