这是一篇 ICDM 2019 最佳论文《Deep Multi-attributed Graph Translation with Node-Edge Co-evolution》。作者定义了一种新的图神经网络领域的问题：「多属性图转换」，即基于一个多属性图生成另一个多属性图。多属性图指节点和边都拥有多种描述性属性（标签，类别，特征等）。作者基于此问题开发了一种允许节点属性和边属性同步转换的新颖框架。所提出的边属性转换是一种通用方法，并证明拓扑边转换模型是本文模型的特例。文中还提出了一种特殊形式的基于拉普拉斯图频谱的正则化方法，来学习和保持图节点和边属性的一致化。最后，在对合成和实际应用数据（物联网安全优化，化学反应预测）的大量实验证明该方法的有效性和广泛性。