Graphical Generative Adversarial Networks
Tsinghua University（清华大学）；University of Amsterdam（阿姆斯特丹大学）；Canadian Institute for Advanced Research（加拿大高等研究院）
我们提出了图形生成对抗网络（Graphical-GAN）来建模结构化数据。Graphical-GAN结合了贝叶斯网络在复杂表示随机变量之间的依赖结构方面的能力和生成对抗网络在学习表达依赖函数方面的能力。我们引入了一个结构化的识别模型来推断潜变量的后验分布的观察。我们推广的期望传播（EP）算法学习的生成模型和识别模型联合。最后，我们提出了两个重要的图形-GAN的实例，即高斯混合GAN（GM GAN）和状态空间GAN（SS GAN），它们可以成功地学习离散和时间结构的视觉数据集，分别。
2018-12-12 cs.CV cs.LG stat.ML
Interleaving GANs with knowledge graphs to support design creativity for book covers
Technical University of Cluj-Napoca（克卢日-纳波卡技术大学）
本文将生成对抗网络（GANs）与知识图谱结合应用于书籍封面设计，通过知识图谱扩展输入标题选项作为生成器增强输入，并利用判别器筛选最佳图像，显著提升了生成效果和设计创造力。
2023-08-03 cs.AI cs.CV cs.LG
Generative Adversarial Network Rooms in Generative Graph Grammar Dungeons for The Legend of Zelda
Southwestern University（西南大学）
生成对抗网络（GANs）已经证明了它们能够学习数据中的模式，并产生与包括视频游戏在内的多个领域的训练集相似但不同的新样本。然而，GANs有一个固定的输出大小，因此为地牢爬行游戏创建任意大小的关卡是困难的。GANs也很难对语义需求进行编码，从而使关卡变得有趣和可玩。本文结合了一个GAN的方法来生成单独的房间与图形语法的方法来组合成一个地牢的房间。GAN捕获各个房间的设计原则，但是图形语法将房间组织成具有由设计者确定的一系列障碍物的全局布局。来自塞尔达传说的房间数据用于训练GAN。用户研究验证了这种方法，表明GAN地下城与原始游戏中的关卡一样令人愉快，并且仅使用图形语法生成关卡。然而，GAN地下城的房间被认为更复杂，而普通图形语法的地下城被认为是最不复杂和最具挑战性的。只有GAN方法创建了布局和房间的广泛供应，其中房间跨越了培训集中看到的那些房间的范围，以融合来自多个房间的设计原则的新创作。
2020-04-19 cs.AI cs.LG cs.NE
A GAN Approach for Node Embedding in Heterogeneous Graphs Using Subgraph Sampling
Academia Sinica（中央研究院）；National Chenchi University（国立政治大学）；National Taiwan University（国立台湾大学）
本文提出一种结合GNN与GAN的异构图节点嵌入框架，通过对抗学习同时生成合成节点和边，以缓解类别不平衡问题，并在多个真实数据集上验证了其在少数类节点识别任务中的优越性能。
2024-11-23 cs.AI cs.LG cs.SI
TG-GAN: Continuous-time Temporal Graph Generation with Deep Generative Models
George Mason University（乔治梅森大学）；Beijing University of Posts and Telecommunications（北京邮电大学）
最近正在积极开发的静态图的深度生成模型在分子设计等领域取得了重大成功。然而，许多现实世界的问题涉及时序图，其拓扑结构和属性值随时间动态演变，包括重要的应用，如蛋白质折叠，人类移动网络和社交网络增长。到目前为止，用于时间图的深度生成模型尚未得到很好的理解，并且用于静态图的现有技术不足以用于时间图，因为它们不能1）按时间顺序编码和解码连续变化的图拓扑，2）通过时间约束强制有效性，或者3）确保信息无损时间分辨率的效率。为了解决这些挑战，我们提出了一个新的模型，称为“时间图生成对抗网络"（TG-GAN）的连续时间时间图生成，通过建模截断时间随机游走及其组成的深层生成过程。具体来说，我们首先提出了一种新的时间图生成器，联合模型截断边序列，时间预算，和节点属性，与新的激活函数，执行时间有效性约束下经常性架构。此外，提出了一种新的时间图编码，它结合了时间和节点编码操作的递归架构，以区分所产生的序列从一个新开发的截断时间随机游走采样器采样的真实的。在合成数据集和真实数据集上的大量实验表明，TG-GAN在效率和有效性方面明显优于比较方法。
2020-06-09 cs.LG stat.ML
Building-GAN: Graph-Conditioned Architectural Volumetric Design Generation
Autodesk Research；Obayashi AI Design Lab（大林组AI设计实验室）
体积设计是专业建筑设计的第一步，也是关键的一步，建筑师不仅要描绘建筑物的粗略3D几何形状，还要指定程序来形成每个楼层的2D布局。虽然单层建筑的二维布局生成已经得到了广泛的研究，但对于多层建筑还没有成熟的方法。本文主要研究基于输入程序图的体积设计生成。而不是输出密集的3D体素，我们提出了一个新的3D表示命名为体素图，这是既紧凑和表达的建筑几何。我们的生成器是一个跨模态图神经网络，它使用指针机制连接输入程序图和输出体素图，整个管道使用对抗框架进行训练。生成的设计进行了定性评估的用户研究和定量使用三个指标：质量，多样性和连接的准确性。我们表明，我们的模型生成逼真的3D体积设计，并优于以前的方法和基线。
2021-04-27 cs.LG
SmartGD: A GAN-Based Graph Drawing Framework for Diverse Aesthetic Goals
The Ohio State University（俄亥俄州立大学）；Yahoo! Research（雅虎研究院）
本文提出基于GAN的图绘制框架SmartGD，能够优化不可微的多种定量美学目标，并在应力、边交叉、交叉角及形状度量等实验中验证了其定量与定性性能。
2023-08-13 cs.LG
Fluid Grey 2: How Well Does Generative Adversarial Network Learn Deeper Topology Structure in Architecture That Matches Images?
Bartlett School of Architecture, University College London（伦敦大学学院巴特莱特建筑学院）
本文提出通过添加grasshopper模块检测pix2pix学习拓扑关系的能力，证明其在建筑设计中的应用潜力。
2025-11-20 cs.AI cs.CV cs.LG
Graph-Regularized Manifold-Aware Conditional Wasserstein GAN for Brain Functional Connectivity Generation
Monash University Malaysia（莫纳什大学马来西亚分校）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；University College London（伦敦大学学院）
包括协方差矩阵和相关矩阵在内的脑功能连接性（FC）的常见度量是驻留在锥形黎曼流形上的半正定（SPD）矩阵。尽管在欧几里得值数据生成方面取得了显著的成功，但使用标准生成对抗网络（GANs）来生成流形值FC数据忽略了其固有的SPD结构，因此忽略了真实FC中边缘的相互关联性。我们提出了一种新的图形正则化流形感知条件Wasserstein GAN（GR-SPD-GAN）的FC数据生成的SPD流形，可以保持全局FC结构。具体来说，我们在对抗训练下优化了真实和生成的SPD数据之间的广义Wasserstein距离，条件是类标签。所得到的生成器可以合成与不同类别的脑网络相关联的新的SPD值FC矩阵，例如，大脑紊乱或健康对照。此外，我们在SPD流形及其切线空间上引入了额外的基于人口图的正则化项，以鼓励生成器尊重真实数据中FC模式的受试者间相似性。这也有助于避免模式坍塌，并产生更稳定的GAN训练。基于抑郁症患者的静息态功能磁共振成像（fMRI）数据，定性和定量结果表明，GR-SPD-GAN在生成更真实的基于fMRI的FC样本方面明显优于现有的几种GANs。当应用于用于MDD识别的FC数据增强时，在我们的方法生成的增强数据上训练的分类模型在没有数据增强的基线上实现了竞争GANs之间分类准确性的最大改进幅度。
2022-12-10 cs.CV cs.LG q-bio.NC
GAT-GAN : A Graph-Attention-based Time-Series Generative Adversarial Network
ST Engineering Pte Ltd（新加坡科技工程有限公司）
针对多变量时间序列中复杂时空关系难以建模的问题，本文提出含双图注意力层的 GAT-GAN，并引入 FTD 指标，实验证明其生成质量与下游预测表现优于现有基准。
2023-06-03 cs.AI cs.LG
Convergence Problems with Generative Adversarial Networks (GANs)
University of Oxford（牛津大学）
生成对抗网络（GANs）是生成建模的一种新方法，其目标是学习真实数据点的分布。它们通常被证明很难训练：GANs与机器学习中的许多技术不同，因为它们最好被描述为机器人和发电机之间的双人游戏。这导致了训练过程的不可靠性，以及对GANs如何收敛以及收敛到什么的普遍缺乏了解。本论文的目的是提供一个适合数学家的GANs理论，突出正面和负面的结果。这涉及到识别训练GANs时的问题，以及GANs的拓扑和博弈论观点如何有助于我们的理解并改善我们近年来的技术。
2018-06-29 cs.LG stat.ML
Bipartite Graph Reasoning GANs for Person Image Generation
University of Trento（特伦托大学）；University of Oxford（牛津大学）；Huawei Research Ireland（华为爱尔兰研究院）
我们提出了一种新的二分图推理GAN（BiGraphGAN）的挑战性的人的图像生成任务。所提出的图形生成器主要由两个新的块，旨在建模的姿势姿势和姿势图像的关系，分别。具体而言，所提出的二分图推理（BGR）块旨在推理二分图中的源姿态和目标姿态之间的交叉长程关系，这减轻了姿态变形带来的一些挑战。此外，我们提出了一个新的互动和聚合（IA）块，以有效地更新和增强的特征表示能力的人的形状和外观的互动方式。在两个具有挑战性的公共数据集上进行实验，即，Market-1501和DeepFashion在客观定量分数和主观视觉真实性方面显示了所提出的BiGraphGAN的有效性。源代码和训练模型可在https://github.com/Ha0Tang/BiGraphGAN上获得。
2020-08-20 cs.CV cs.LG eess.IV
Wind Power Scenario Generation Using Graph Convolutional Generative Adversarial Network
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Konkuk University（建国大学）
风力发电场景对于研究多个风电场与电网互联的影响非常重要。我们开发了一个图卷积生成对抗网络（GCGAN）的方法，利用GAN的能力，在不使用统计建模生成大量的现实场景。与现有的基于GAN的风电数据生成方法不同，我们设计了GAN的隐藏层，以匹配底层的空间和时间特征。我们提倡使用图过滤器来嵌入多个风电场之间的空间相关性，以及一维（1D）卷积层来表示时间特征过滤器。所提出的图和特征过滤器设计显著降低了GAN模型的复杂度，从而提高了训练效率和计算复杂度。使用来自澳大利亚的真实风电数据的数值结果表明，拟议的GCGAN产生的场景比其他基于GAN的输出表现出更真实的空间和时间统计。
2023-02-16 cs.AI cs.LG cs.SY
Permutation Equivariant Generative Adversarial Networks for Graphs
University of Geneva（日内瓦大学）
图生成建模中讨论最多的问题之一是表示的排序。一种解决方案包括使用等变生成函数，这确保了排序不变性。在讨论了这些函数的一些性质之后，我们提出了3G-GAN，一个依赖于GANs和等变函数的3阶段模型。该模型仍在开发中。然而，我们提出了一些令人鼓舞的探索性实验，并讨论了仍有待解决的问题。
2021-12-07 cs.LG
Towards Unsupervised Training of Matching-based Graph Edit Distance Solver via Preference-aware GAN
University of New South Wales（新南威尔士大学）；University of Technology Sydney（技术与科学大学）；Shanghai Jiaotong University（上海交通大学）
本文提出GEDRanker，一种基于GAN的无监督框架，通过引入偏好感知判别器利用编辑路径长度的偏好信号，引导匹配型GED求解器在无真实监督下生成高质量节点匹配，实现接近最优的解质量。
2025-10-13 cs.AI cs.LG
Social-BiGAT: Multimodal Trajectory Forecasting using Bicycle-GAN and Graph Attention Networks
Stanford University（斯坦福大学）；Aibee Inc（Aibee公司）；University of Adelaide（阿德莱德大学）
预测场景中多个交互代理的未来轨迹已经成为许多不同应用的一个越来越重要的问题，从自动驾驶汽车和社交机器人的控制到安全和监控。这个问题由于人类之间的社会互动以及他们与场景的物理互动而变得更加复杂。虽然现有的文献已经探索了其中的一些线索，但它们主要忽略了每个人未来轨迹的多模态性质。在本文中，我们提出了Social-BiGAT，这是一个基于图的生成对抗网络，它通过更好地模拟场景中行人的社交互动来生成逼真的多模式轨迹预测。我们的方法是基于一个图形注意力网络（GAT），学习可靠的特征表示，编码场景中的人类之间的社会互动，和一个经常性的编码器-解码器架构，训练对抗预测，根据功能，人类的路径。我们通过在每个场景及其潜在噪声向量之间形成可逆变换来明确解释预测问题的多模态性质，如Bicycle-GAN中所述。我们表明，我们的框架实现了最先进的性能比较它的几个基线对现有的轨迹预测基准。
2019-07-17 cs.CV cs.LG
FeederGAN: Synthetic Feeder Generation via Deep Graph Adversarial Nets
North Carolina State University（北卡罗来纳州立大学）；Pacific Northwest National Lab（太平洋西北国家实验室）；Texas A&M（德克萨斯农工大学）
本文提出了一种新的，自动化的，生成的对抗网络（GAN）的合成馈线生成机制，简称为馈线GAN。FeederGAN通过由GAN和图卷积网络（GCN）提供支持的深度学习框架来识别由有向图表示的真实馈线模型。从配电馈线电路的模型输入文件中提取配电馈线电路的信息，使得设备连接性被映射到邻接矩阵和设备特性上，诸如电路类型（即，3相、2相和1相）和组件属性（例如，长度和当前评级）被映射到属性矩阵上。然后，Wasserstein距离被用来优化的GAN和GCN被用来区分生成的图从实际的。提出了一种基于图论的贪婪算法，利用生成的邻接矩阵和属性矩阵对馈线进行重构。我们的研究结果表明，GAN生成的馈线类似于实际馈线的拓扑结构和属性验证的视觉检查和经验统计从实际配电馈线。
2020-09-16 cs.LG cs.SY eess.SY
Manifold-preserved GANs
College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机与软件学院）；Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳人工智能与机器人研究院）；Guangdong Key Laboratory of Intelligent Information Processing, Shenzhen University（深圳大学广东省智能信息处理重点实验室）
生成式对抗网络（GANs）已被广泛应用于各个领域。然而，现有的GANs通常不能保持数据空间的流形，这主要是由于真实/生成数据的流形的简单表示。为了解决这些开放的挑战，本文提出了流形保持的GANs（MaF-GANs），它将Wasserstein GANs推广到高维形式。具体来说，为了改善数据的表示，MaF-GANs中的映射被设计为将数据映射到高维流形中。此外，为了稳定MaF-GAN的训练，提出了一种对任何K-Lipschitz连续性具有精确和通用解的操作，称为拓扑一致性。理论分析和实验结果都证明了该方法的有效性。当采用DCGAN作为CelebA（256 * 256）上的主干时，所提出的方法实现了12.43 FID，这大大优于Realness GAN（23.51 FID）等最先进的模型。代码将公开提供。
2021-09-18 cs.AI cs.CV cs.LG
Evolutionary Refinement of Generative Graph Topologies: A Hybrid WGAN-GA Approach
Computer Science Brock University, Canada（计算机科学 布鲁克大学 加拿大）
提出一种混合WGAN-GA方法，通过遗传算法精炼GAN生成的图结构，减少度分布和谱分布等偏差，使合成图更接近真实图。
2026-05-27 cs.AI cs.LG
Inverse Graphics GAN: Learning to Generate 3D Shapes from Unstructured 2D Data
Microsoft Research（微软研究院）
最近的工作表明，只有非结构化的2D图像学习生成模型的3D形状的能力。然而，训练这样的模型需要通过渲染过程的光栅化步骤进行区分，因此过去的工作集中在开发定制的渲染模型，这些模型以各种方式平滑这种不可区分的过程。因此，这些模型无法利用游戏和图形行业构建的照片般逼真，功能齐全的工业渲染器。在本文中，我们介绍了第一个可扩展的训练技术，从2D数据，利用现成的不可微渲染器的3D生成模型。为了解释不可微性，我们引入代理神经渲染器来匹配不可微渲染器的输出。我们还提出了一种新的输出匹配方法，以确保神经渲染器学会适当地平滑光栅化。我们在从我们生成的3D形状渲染的图像上评估了我们的模型，并表明我们的模型可以在使用专门的非结构化2D图像进行训练时始终学习生成比现有模型更好的形状。
2020-02-28 cs.CV cs.LG
Topology-Guided Quantum GANs for Constrained Graph Generation
LMU Munich（慕尼黑大学）
本文提出利用拓扑引导的量子GANs生成受几何约束的K4图，通过任务特定的几何先验提升性能，展示结构化量子电路设计对几何一致性与分布准确性的平衡作用。
2025-12-11 cs.LG quant-ph
GCN-GAN: A Non-linear Temporal Link Prediction Model for Weighted Dynamic Networks
Peking University（北京大学）；Peng Cheng Laboratory（鹏城实验室）；Huawei Technologies, Co. Ltd.（华为技术有限公司）；Chinese Academy of Sciences（中国科学院）
在本文中，我们一般性地阐述了各种网络系统的动力学预测问题（例如，移动性、业务和拓扑的预测）作为时间链接预测任务。与传统的时间链接预测技术忽略了动态网络中潜在的非线性特征和信息链接权重不同，我们引入了一种新的非线性模型GCN-GAN来解决加权动态网络的时间链接预测任务。所提出的模型利用了图卷积网络（GCN）、长短期记忆（LSTM）以及生成对抗网络（GAN）的优点。因此，加权动态网络的动态性、拓扑结构和演化模式可以被充分利用，以提高时间链接预测性能。具体来说，我们首先利用GCN来探索每个快照的局部拓扑特征，然后利用LSTM来表征动态网络的演化特征。此外，GAN用于增强模型生成下一个加权网络快照的能力，可以有效地解决现实动态网络中边权值的稀疏性和宽值范围问题。为了验证该模型的有效性，我们进行了广泛的实验上的四个不同的网络系统和应用场景的数据集。实验结果表明，我们的模型取得了令人印象深刻的结果相比，国家的最先进的竞争对手。
2019-01-26 cs.LG cs.NI cs.SI
A Usable GAN-Based Tool for Synthetic ECG Generation in Cardiac Amyloidosis Research
Affiliation, address, email.（所属机构、地址、邮箱）
本文提出了一种基于GAN的可使用工具，用于生成合成ECG波形，以支持心肌脂肪变的早期诊断和患者分层。
2026-01-13 cs.LG
An Unpooling Layer for Graph Generation
University of Minnesota（明尼苏达大学）；Duke Kunshan University（昆山杜克大学）
我们提出了一种新的和可训练的图形unpooling层有效的图形生成。给定一个具有特征的图，unpooling层扩大这个图并学习它所需的新结构和特征。由于该解池层是可训练的，因此它可以应用于变分自编码器的解码器或生成对抗网络（GAN）的生成器中的图形生成。我们证明了非池化图保持连通，并且任何连通图都可以从一个3-节点图中顺序地非池化。我们在GAN生成器中应用unpooling层。由于图形生成的研究最多的实例是分子生成，我们在这种情况下测试我们的想法。使用QM9和ZINC数据集，我们展示了通过使用unpooling层而不是基于邻接矩阵的方法所获得的改进。
2023-03-06 cs.LG stat.ML
DOOM Level Generation using Generative Adversarial Networks
Dipartimento di Elettronica, Informazione e Bioinformatica（电子信息与生物信息学院）
本文利用GANs从人类设计的DOOM关卡中学习模型，通过提取拓扑特征和图像数据生成新关卡，并验证结合拓扑特征的GAN能生成更接近人类设计的关卡。
2018-04-24 cs.HC cs.LG stat.ML
Deep Graph Translation
George Mason University（乔治梅森大学）；IBM Research（IBM研究院）
受深度生成模型在生成连续数据（如图像和音频）方面的巨大成功的启发，近年来，很少有深度图生成模型被提出来生成离散数据（如图）。它们通常是无条件生成模型，对生成的图形的模式没有控制。因此，在本文中，我们感兴趣的是一个新的问题命名为\emph{Deep Graph Translation}：给定一个输入图，我们希望推断出一个目标图的基础上（包括全球和本地）的翻译映射。图转换在诸如灾难管理和罕见事件预测的许多应用中可能是非常期望的，其中罕见和异常图模式（例如，交通拥堵和恐怖主义事件）将在其发生之前被推断出（即使没有关于该图的异常模式的历史数据（例如，道路网络或人类接触网络）。为了实现这一点，我们提出了一种新的图形翻译-生成对抗网络（GT-GAN），它将生成一个从输入到目标图的图形翻译器。GT-GAN由一个图形转换器组成，我们提出了新的图形卷积和反卷积层来学习全局和局部转换映射。一个新的条件图分类器也被提出来通过对输入图进行条件化来对目标图进行分类。在多个合成数据集和真实数据集上的大量实验证明了所提出的GT-GAN的有效性和可扩展性。
2018-06-22 cs.AI cs.LG stat.ML
STG-GAN: A spatiotemporal graph generative adversarial networks for short-term passenger flow prediction in urban rail transit systems
针对城市轨道交通短期客流预测中的复杂时空依赖、约束缺失及效率问题，提出STG-GAN，通过TCN/GCN生成器与时空判别器对抗训练，实现高精度、低内存占用预测。
2023-08-16 cs.LG cs.SY eess.SY
Freeze the Discriminator: a Simple Baseline for Fine-Tuning GANs
KAIST（韩国科学技术院）；POSTECH（浦项科技大学）
生成对抗网络（GANs）在计算机视觉、图形学和机器学习中的广泛问题上表现出出色的性能，但通常需要大量的训练数据和繁重的计算资源。为了解决这个问题，有几种方法在GAN训练中引入了迁移学习技术。然而，它们要么倾向于过拟合，要么仅限于学习小的分布偏移。在本文中，我们证明了对GANs进行简单的微调，冻结了底层的GANs表现得出奇的好。这个简单的基线FreezeD显著优于无条件和有条件GANs中使用的先前技术。我们使用StyleGAN和SNGAN投影架构在Animal Face，Anime Face，Oxford Flower，CUB-200-2011和Caltech-256数据集上展示了一致的效果。代码和结果可在https://github.com/sangwoomo/FreezeD上获得。
2020-02-28 cs.CV cs.LG stat.ML
Conditional GraphGANFed: Optimizing Graph-Structured Molecule Generation in Federated Generative Adversarial Networks
本文针对GraphGANFed无法按用户定义指标生成分子的问题，提出cGraphGANFed模型，引入评判网络整合评估结果优化生成器，经实验证实其在多指标优化、QED提升及抗非IID数据干扰上表现更优。
2026-08-26 cs.DC cs.LG
3D GANs and Latent Space: A comprehensive survey
School of Computer Sciences, National Institute of Science Education and Research (NISER)（印度国家教育与研究学院计算机科学学院）
本文全面综述了3D GANs及其潜在空间，考察了多种GAN变体与训练方法，以提供改进3D GAN训练的见解并指明未来研究方向。
2023-04-08 cs.AI cs.CV cs.LG
Generative Adversarial Graph Convolutional Networks for Human Action Synthesis
Instituto de Telecomunicações（电信研究所）；Universidade da Beira Interior（贝拉内陆大学）；DeepNeuronic；NOVA LINCS（新里斯本大学计算机科学实验室）；C4-Cloud Computing Competence Center（C4云计算能力中心）
合成人体骨架的空间和时间动态仍然是一项具有挑战性的任务，不仅在所生成的形状的质量方面，而且在它们的多样性方面，特别是合成特定动作（动作调节）的逼真身体运动。在本文中，我们提出了Kinetic-GAN，这是一种新的架构，它利用生成对抗网络和图卷积网络的优势来合成人体的动力学。所提出的对抗架构可以在局部和全局身体运动中调节多达120种不同的动作，同时通过潜在的空间解纠缠和随机变化来提高样本质量和多样性。我们的实验是在三个著名的数据集上进行的，其中Kinetic-GAN在分布质量指标方面明显优于最先进的方法，同时能够合成超过一个数量级的不同动作。我们的代码和模型可在https://github.com/DegardinBruno/Kinetic-GAN上公开获取。
2021-10-25 cs.AI cs.CV cs.LG
GAN-TAT: A Novel Framework Using Protein Interaction Networks in Druggable Gene Identification
Oak Park High School（奥克帕克高中）
本文提出GAN-TAT框架，通过图嵌入技术ImGAGN直接整合蛋白质相互作用网络进行可成药基因识别，在Pharos数据集上取得最高0.951的AUC-ROC，并得到临床证据支持。
2024-12-31 cs.AI cs.LG q-bio.QM
GAN Lab: Understanding Complex Deep Generative Models using Interactive Visual Experimentation
Georgia Institute of Technology（佐治亚理工学院）；Google Brain（谷歌大脑）
最近在深度学习方面取得的成功引起了从业者和学生的极大兴趣，激发了许多人学习这项新技术。虽然已经成功开发了可视化和交互式方法来帮助人们更轻松地学习深度学习，但大多数现有工具都专注于更简单的模型。在这项工作中，我们提出了GAN Lab，这是第一个交互式可视化工具，专为非专家学习和实验生成对抗网络（GANs），这是一类流行的复杂深度学习模型。通过GAN Lab，用户可以交互式地训练生成模型，并可视化动态训练过程的中间结果。GAN Lab紧密集成了一个模型概览图，它总结了GAN的结构，以及一个分层分布视图，帮助用户解释子模型之间的相互作用。GAN实验室引入了新的交互式实验功能，用于学习复杂的深度学习模型，例如在多个抽象级别上进行分步训练，以了解复杂的训练动态。GAN Lab使用TensorFlow.js实现，任何人都可以通过现代Web浏览器访问，无需安装或专用硬件，克服了部署深度学习交互式工具的重大实际挑战。
2018-09-05 cs.AI cs.HC cs.LG
STORM-GAN: Spatio-Temporal Meta-GAN for Cross-City Estimation of Human Mobility Responses to COVID-19
University of Iowa（爱荷华大学）；University of Maryland（马里兰大学）；Worcester Polytechnic Institute（伍斯特理工学院）；University of Pittsburgh（匹兹堡大学）
在COVID-19大流行期间，人员流动性估计至关重要，因为其对政策制定者进行非药物干预具有重要指导意义。虽然深度学习方法在具有丰富训练数据的任务上优于传统估计技术，但由于数据的非平稳性、有限的观察和复杂的社会背景，不断演变的流行病对解决这一问题提出了重大挑战。现有的移动性估计工作要么集中在单个城市，要么缺乏跨城市和时间段的时空依赖性建模的能力。为了解决这些问题，我们第一次尝试通过一个深层的元生成框架来解决跨城市的人类流动性估计问题。我们提出了一个时空Meta-生成对抗网络（STORM-GAN）模型，该模型估计了在一组与COVID-19相关的社会和政策条件下的动态人类流动响应。通过一种新的基于时空任务的图（STTG）嵌入，STORM-GAN能够从估计任务的时空分布中学习共享知识，并在有限的训练样本下快速适应新的城市和时间段。STTG嵌入组件旨在捕捉城市之间的相似性，以减轻跨任务的异质性。在真实数据上的实验结果表明，该方法可以大大提高估计性能，优于基线。
2023-01-20 cs.AI cs.LG
IH-GAN: A Conditional Generative Model for Implicit Surface-Based Inverse Design of Cellular Structures
University of Maryland, College Park（马里兰大学帕克分校）；Northwestern University（西北大学）；Clemson University（克莱姆森大学）
可变密度蜂窝结构可以克服拓扑优化结构的连接性和可制造性问题，特别是那些表示为离散密度图的结构。然而，这种蜂窝结构的优化是具有挑战性的，由于多尺度设计问题。以往的研究要么只优化单一类型单胞的体积分数，而忽略单胞几何形状对性能的影响，要么考虑单胞的几何-性能关系，但通过几何学建立这种关系。相比之下，我们提出了一种简单但更有原则的方法，使用条件深度生成模型（称为逆均匀化生成对抗网络（IH-GAN））来准确地对属性到几何映射进行建模。它学习给定性质的单胞几何的条件分布，并能实现从性质到几何的一对多映射。通过使用隐函数参数化来表示单胞几何，进一步降低了IH-GAN的复杂度。结果表明，我们的方法可以1）生成满足给定材料性能的各种单元格，具有高精度（$R^2$ -目标性能和生成的单元格$>98\%$的性能之间的分数）和2）提高优化的结构性能比传统的可变密度的单一类型的结构。在最小柔度示例中，我们的IH-GAN生成的结构实现了集中应力的$79.7\%$减小和位移的额外$3.03\%$减小。在目标变形的例子中，我们的IH-GAN生成的结构减少了目标匹配误差$86.4\%$和$79.6\%$的两个测试用例，分别。我们还证明了多类型的单位细胞的连接问题可以解决过渡层混合。
2022-05-12 cs.CE cs.LG stat.ML
