تولید گراف های واقع گرایانه و نمونه برداری کارآمد از توزیع احتمالاتی آن ها به دلیل بعد بسیار بالای فضا و وابستگی های پیچیده میان یال ها، یکی از دشوارترین مسائل در یادگیری عمیق مولد به شمار می رود. مدل های سنتی با تکیه بر فرضیات ساختاری ساده و از پیش تعیین شده، نمی توانند الگوهای پیچیده دنیای واقعی را به خوبی ثبت کنند. در مقابل، مدل های عمیق موجود نیز با محدودیت های جدی مواجه اند: رویکردهای یک باره با فرض استقلال یال ها در گراف های ناهمگن کیفیت پایینی ارائه می دهند، در حالی که رویکردهای خودبازگشتی هرچند وابستگی ها را بهتر مدل سازی می کنند، در گراف های بزرگ مقیاس با مشکلات مقیاس پذیری شدیدی روبه رو می شوند و هنگام مواجهه با جوامع دارای توزیع های ساختاری متفاوت، کیفیت خروجی شان به طور چشمگیری افت می کند. در این رساله، چارچوب سلسله مراتبی آگاه از جامعه به نام HiCGG پیشنهاد شده است که به طور همزمان سه چالش اصلی یعنی مدل سازی ناهمگنی ساختاری، مقیاس پذیری محاسباتی و انعطاف پذیری در تولید توپولوژی های ترکیبی را برطرف می کند. این چارچوب با بهره گیری از راهبرد تقسیم و غلبه، گراف را به صورت بازگشتی به جوامع همگن تقسیم کرده، هر جامعه را به طور مستقل با مدل های مولد عمیق خودبازگشتی تولید می نماید و سپس با ماژول تجمیع یال های بین جوامعی را دقیقا بازسازی می کند؛ نسخه ی پیشرفته ی پایان به پایان نیز با ادغام تشخیص جامعه مبتنی بر یادگیری عمیق ارائه شده است. در ارزیابی های گسترده روی مجموعه داده های مصنوعی و واقعی، مدل HiCGGبه طور چشمگیری از بهترین روش های موجود پیشی گرفت: در گراف های ناهمگن، به طور میانگین 65% بهبود در معیارهای آماری کلاسیک و 30%-40% بهبود در معیارهای مبتنی بر شبکه های عصبی گراف به دست آورد، ضمن اینکه در گراف های بزرگ مقیاس نیز با حفظ برتری قابل توجه در همه معیارها، بالاترین کیفیت را ارائه کرد؛ این مدل زمان تولید گراف را با افزایش عمق سلسله مراتب تا 75% کاهش داد و به کمک ساختار مدولار، قابل گسترش و جامعه آگاه خود، محدودیت های اساسی مدل های پیشین را برطرف نمود و افق های جدیدی در حوزه هایی مانند کشف دارو، مدل سازی پروتئین و تولید داده های مصنوعی کاملا واقع گرایانه گشود.