使用自编码器在图上进行预测的学习
本论文研究了与图表示学习相关的两个基本任务:链接预测和节点分类,并提出了一种新的自编码器架构,能够学习本地图结构和可用节点特征的联合表示,用于同时进行无监督链接预测和半监督节点分类的多任务学习。
Nov, 2018
提出了自标签增强的 VGAE 模型,包括自标签增强方法(SLAM),用于图的归纳学习,通过在模型训练中进行标签重建以利用标签信息,并采用节点遮盖方法生成伪标签来增强标签信息。实验证明在半监督学习设置下,我们的模型在节点分类上表现出明显的优势。
Mar, 2024
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
本文介绍了一种新型自动编码器,用于有向图的建模,该模型使用带参数图卷积网络 (GCN) 层作为编码器和不对称内积解码器,学习了一对可解释的节点潜在表征,并在几个流行的网络数据集中展示了该模型在有向链接预测任务上取得了优异的性能。
Feb, 2022
本研究针对自动编码器和变分自动编码器在处理有向图时的限制性,提出了一种基于引力的解码器方案,并在三个实际应用中对比实验表明,该方案取得了比基准方法更好的结果。
May, 2019
本文提出一种替代图卷积网络 (GCN) 编码器的简单线性模型来学习节点的向量表示,并通过实验证明在多个现实世界的图中,如 Cora、Citeseer 和 Pubmed 引文网络上,其表现与基于 GCN 的模型相当,这结果对于评估复杂图自动编码器和变分自动编码器的实际实用价值具有重要意义。
Oct, 2019
这篇文章介绍了一种新的半监督分类方法,该方法使用监督自编码器网络,将标签编码到自编码器的潜空间,并定义一个结合分类和重构损失的全局准则,用 PyTorch 实现该半监督自编码器方法并展示其在生物医学应用中的卓越表现。
Aug, 2022
使用更简单的线性模型代替多层图卷积网络编码器学习节点的向量空间表示,在节点嵌入等任务上表现良好,提出对于复杂的图自编码器和变分自编码器反复使用这些基准数据集进行比较的问题。
Jan, 2020
本文提出了一种新的框架 —— 解缠图自编码器 (DGAE) 和变分解缠图自编码器 (VDGAE),利用解缠策略来提升链接预测的性能,该框架将表示解缠成对应于唯一潜在因素的多个通道,通过彼此独立的通道来增强不同潜在因素的独立性。
Jun, 2023
本文提出了一种名为 GATE 的神经网络结构,用于对图结构数据进行无监督表示学习,结合了自我注意机制,通过编码器 / 解码器层实现图结构输入和节点属性的重构,定量地评估在许多节点分类基准数据集上的表现。
May, 2019