GraphVAE: 使用变分自编码器生成小图
本文提出一种基于变分自编码的图结构模型,用于生成符合已有数据分布的化学分子结构,并通过实验数据分析表明该模型在分子生成任务上表现较好,同时使用合适的隐空间设计允许生成具备特定性质的分子。
May, 2018
本文提出可变图自编码器 (VGAE) 框架,用于处理基于变分自编码器 (VAE) 的图结构数据无监督学习模型。该模型基于潜在变量,能够学习图的可解释的潜在表示。在引文网络的链接预测任务中,我们使用图卷积网络 (GCN) 编码器和内积解码器来展示该模型。与大多数现有的图结构数据和链接预测无监督学习模型相比,我们的模型可以自然地融入节点特征,从而在许多基准数据集上显著提高预测性能。
Nov, 2016
本文提出了一种适用于分子结构的、特别设计了多项技术创新的变分自编码器,并发展了一个梯度优化算法用于优化其生成分子的能力,实验结果表明该模型比多种现有模型更能够有效地发现合理、多样且新颖的分子。
Feb, 2018
本论文提出了一种结合了变分自动编码器和基于变压器模型的图卷积和图池化层的方法,直接对图进行操作,能够生成具有可解释特性的潜空间和有效生成分子的模型。
Apr, 2021
本文提出了 RGCVAE 方法,使用关系图同构网络进行编码,使用新的概率解码组件进行解码,即可在训练时间显著减少的情况下,展现出与几种最先进的熵编码自编码器相媲美的分子生成性能。
May, 2023
该研究论文介绍了一种基于深度生成模型的有向无环图变分自编码器,利用图神经网络异步消息传递编码 DAG 的计算,达到了搜索性能更好的 DAG 的目的,并在神经网络结构搜索和贝叶斯网络结构学习等任务中证明了其有效性。
Apr, 2019
本文介绍了一种基于矩阵表示的图形正则化框架,利用变分自编码器来实现语义有效性,实验证明和其他方法相比,该方法在采样有效的图形方面具有更高的可能性。
Sep, 2018
本文提出了一个框架,利用结构化图形模型在变分自动编码器(VAEs)的编码器中导出可解释的表达,使得在给定图形模型的结构限制下执行推理,并使用深度生成模型处理高维度的杂乱领域变得更容易。同时在无监督和半监督的情况下,通过变分目标进行端对端的学习。
Nov, 2016
本研究提出了基于 Dirichlet Graph Variational Autoencoder (DGVAE) 的图聚类成员资格作为潜在因素的方法,以连接基于 VAEs 的图生成和平衡图割,提供了一种理解和改进 VAEs 的图生成内部机制的新方法。
Oct, 2020