1. [TPAMI2022] Xiaojie Guo, Liang Zhao. A Systematic Survey on Deep Generative Models for Graph Generation. IEEE Transactions on Pattern Analysis and Machine Intelligence. To appear soon. [paper].

image-20240411102804847

image-20240411104018409

主要围绕两篇论文展开

  1. [ICDM] Xiaojie Guo, Liang Zhao, Cameron Nowzari, Setareh Rafatirad, Houman Homayoun, and Sai Dinakarrao. Deep Multi-attributed Graph Translation with Node-Edge Co-evolution.The 19th International Conference on Data Mining (ICDM 2019), long paper, (acceptance rate: 9.08%), Beijing, China. [Best Paper Award] [paper] [code]

    image-20240411112146536

image-20240411104723788

image-20240411104828282

image-20240411104835531

  1. **[**TNNLS] Xiaojie Guo, Lingfei Wu, and Liang Zhao. Deep Graph Translation. CoRR, IEEE Transactions on Neural Networks and Learning Systems (TNNLS). [paper] [code]

image-20240411102939465

image-20240411105223698

在此基础上提出了我们的架构

将相对位置转换为边的特征，为一维特征具有四种属性 上下左右，显然他们都是有向边（但是无权重），同时可能出现一对多关系，在具体实现中我们将其转换为一维关系。为了保证结构关系不会紊乱，保留原先ui树的父子关系将其作为一种包含属性，至此原先的树结构转换为了图结构，每个节点的边为一维无权有向边。

在节点特征上，我们保留与位置有关系的节点包括：CLASS,ID,BOUNDS属性，同时引入一个新的属性COVERAGE为每个组件在所属于容器中的占比。

接下来我么用一组实例讲解为什么要这么做（观察位置关系变化，容器内没有邻居怎么办？观察大小变化，观察留白 联系 wrap_content,match_parent）

image-20240411111439435

image-20240411111515985

Tricks:

1.对于单孩子容器我们直接将其孩子节点的属性作为输入

image-20240411112303213

2.对于一对多关系选择考虑两方面的邻居点 不仅要上下还要左右

3.可以只训练某一容器

至此我们将原先的结构转换成了一个同构图在此基础上即可进行一系列图学习操作，最后进行一系列操作可以…..

如何利用输出？首先对于边特征我们使用组件中的属性和id来完成

image-20240411112628896

对于输出的比例 使用这个属性来设置组件image-20240411112808476

接下来的工作：

1.完成数据收集 和树转图的过程，保存转换后的节点 将G转换成 G(V0, SIGMA0, E0, F0)

2.验证输出是否影响 ui实际的位置（去掉其他关于大小和位置的属性只保留生成的 相对位置关系和相对比例）

3.将论文中特征提取 的方法再升级一下 能够处理文字信息