透過潛在嵌入重建的高效合成網路生成

研究論文提出了一個名為 SyNGLER 的新框架，用於高效生成合成網路數據。該框架基於潛在空間網路模型，首先通過潛在空間模型學習低維潛在節點嵌入，然後在嵌入上建立一個無分佈生成器來重建潛在空間。在生成階段，SyNGLER 從生成器中採樣節點嵌入，並使用潛在空間模型產生合成網路。這種方法能有效保留網路的稀疏性和節點度異質性等特性，並且訓練效率高，計算成本低於許多現有的深度架構。論文提供了理論保證，證明了真實和合成邊分佈之間距離的一致性結果。實驗研究表明，SyNGLER 能高效生成更好地保留網路矩和度分佈等關鍵特性的網路。此外，代碼已在 GitHub 上公開，供研究人員使用和擴展。