本文已参与「新人创作礼」活动，一起开启掘金创作之路。

本文首发于CSDN。

诸神缄默不语-个人CSDN博文目录
cs224w（图机器学习）2021冬季课程学习笔记集合
@[toc]

YouTube视频观看地址1 视频观看地址2 视频观看地址3 视频观看地址4

本章主要内容：
首先介绍了深度图生成模型的基本情况，然后介绍了直接从图数据集中学习的GraphRNN模型^{Earth mover’s distance – Wikipedia，以后有缘可以学习：}

maximum mean discrepancy (MMD)
基于元素相似性，比较集合相似性：使用L2距离，对每个元素用EMD计算距离，然后用L2距离计算MMD。

呃但是这个公式我委实是没有看懂：

……什么东西啊这是？

对图生成结果的评估：

计算举例：通过计算原图域生成图之前在clustering coefficient distribution上的区别，我们发现GraphRNN是表现最好的（即最相似的）。

4. Application of Deep Graph Generative Models

本节主要介绍深度图生成模型在药物发现领域的应用GCPN^{GraphRNN: Generating Realistic Graphs with Deep Auto-regressive Models. J. You, R. Ying, X. Ren, W. L. Hamilton, J. Leskovec. International Conference on Machine Learning (ICML), 2018. Graph Convolutional Policy Network for Goal-Directed Molecular Graph Generation. J. You, B. Liu, R. Ying, V. Pande, J. Leskovec. Neural Information Processing Systems (NeurIPS), 2018 cs224w（图机器学习）2021冬季课程学习笔记17 Traditional Generative Models for Graphs_诸神缄默不语的博客-CSDN博客 cs224w（图机器学习）2021冬季课程学习笔记集合_诸神缄默不语的博客-CSDN博客 cs224w（图机器学习）2021冬季课程学习笔记3: Node Embeddings_诸神缄默不语的博客-CSDN博客 What is Teacher Forcing for Recurrent Neural Networks?
总之意思就是如课程中所说，用真实值而非上一cell的输出值作为下一cell的输入，效果会更好。至于具体为什么好的可以以后再研究吧。 Understanding binary cross-entropy / log loss: a visual explanation | by Daniel Godoy | Towards Data Science
但是我写这玩意的时候有点困了，而且我懒得学这种基础知识了，所以我懒得看了，以后有缘再研究这些熵啊损失函数啊交叉熵啊二元交叉熵啊这种高级东西吧。 对循环神经网络（RNN）中time step的理解_Microstrong-CSDN博客 www.cs.dartmouth.edu/~scot/cs10/…
② Breadth First Search and Depth First Search | by Tyler Elliot Bettilyon | Teb’s Lab | Medium
③ 思考(9)BFS,DFS,A* and Dijkstra’s的区别与联系 – 知乎
④ Graph Search Algorithms
我看了原论文Hocevar, T. and Demsar, J. A combinatorial approach to graphlet counting. Bioinformatics, 30(4):559–565, 2014.
一个orbit就是说在图上等价/自同构（graph automorphism）的所有节点所组成的一个集合这种东西。而这里的orbit count statistics应该就是同一节点数的orbit数的意思。当然我也不太确定，可以看看GraphRNN和上一段这个参考文献确认一下。 cs224w（图机器学习）2021冬季课程学习笔记10 Applications of Graph Neural Networks_诸神缄默不语的博客-CSDN博客 ↩}