グラフの分布を学習することは、自動薬物発見、分子設計、複雑ネットワーク解析など多岐にわたる応用に利用できる。本研究では、深層状態機械（deep state machine）の概念に基づいた、グラフの生成モデルを学習するための改善されたフレームワークを提案する。状態遷移の決定を学習するために、状態機械の記憶としてグラフおよびノードの埋め込み技術を用いる。本研究の分析は、ランダムグラフ生成器の分布を学習することを基盤としており、どの性質が学習可能か、また元のグラフ分布がどの程度正確に再現されるかを検証するための統計的検定を提供する。分析の結果、状態機械の設計が特定の分布に偏向することを示した。本手法により、頂点数が最大150程度のグラフモデルを学習可能である。実装コードおよびパラメータは公開されており、本研究の結果を再現することが可能である。