We propose a novel and trainable graph unpooling layer for effective graph generation. Given a graph with features, the unpooling layer enlarges this graph and learns its desired new structure and features. Since this unpooling layer is trainable, it can be applied to graph generation either in the decoder of a variational autoencoder or in the generator of a generative adversarial network (GAN). We prove that the unpooled graph remains connected and any connected graph can be sequentially unpooled from a 3-nodes graph. We apply the unpooling layer within the GAN generator. Since the most studied instance of graph generation is molecular generation, we test our ideas in this context. Using the QM9 and ZINC datasets, we demonstrate the improvement obtained by using the unpooling layer instead of an adjacency-matrix-based approach.

翻译：我们为有效的图形生成建议了一个新颖的、可培训的图形不集合层。 如果有一个带有特性的图表, 不可合并层会扩大这个图形, 并学习它所需要的新结构和特性。 由于这个不可合并层是可以训练的, 它可以应用于图形生成, 要么在变式自动编码器的解码器中, 要么在基因对抗网络( GAN) 的生成器中。 我们证明, 未合并的图形仍然连接, 任何链接的图形都可以从一个三节图中依次分离。 我们在 GAN 生成器中应用了不可合并的层。 由于所研究最多的图形生成实例是分子生成, 我们在此背景下测试我们的想法。 我们使用 QM9 和 ZINC 数据集, 展示了通过使用不合并层而不是以相匹配矩阵为基础的方法所取得的改进。