Mar, 2018

Graphite: 迭代式图形生成建模

HTML
PDF
TL;DR本文提出了一种算法框架Graphite，可利用深度潜在变量生成模型对大型图中的节点进行无监督表示学习，它包含变分自动编码器参数化的图神经网络，并使用受低秩逼近启示的迭代图优化策略。在多种合成和基准数据集上，Graphite优于竞争性方法，用于密度估计、链接预测和节点分类任务。最后，我们推导了图神经网络中的消息传递和均场变分推断之间的理论联系。
发现论文，激发创造
  • 变分图自编码器

    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

  • 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器的方法，通过直接输出预先定义大小的概率性的全连接图来解决学习图嵌入任务中的线性化困境，并在分子生成任务中进行了评估。

    Feb, 2018

  • 使用深度自回归模型生成逼真的图形

    GraphRNN是一种基于自回归模型的图生成模型，可以在没有先验结构假设的情况下模拟任何图分布，并且可以比现有的深度模型扩展到50倍以上规模的生成，而引入的基准测试集和最大平均差异评估方法可以有效评估模型表现。

    Feb, 2018

  • 学习图的深度生成模型

    本文介绍了一种基于图神经网络的强大新方法，用于学习生成模型的过程中捕获图的结构和属性。实验证明，相较于不使用图结构表示的基线，我们的模型常常表现更好，是学习任意图的生成模型的第一个最通用的方法，为从矢量和序列式知识表示的限制中走向更具表现力和灵活性的关系型数据结构开辟了新方向。

    Mar, 2018

  • 可扩展图自编码器的退化框架

    该论文提出了一个基于图退化概念的图自编码器和图变分自编码器的扩展框架，它可以训练只用稠密节点子集的模型而不是整个图。结合一个简单但有效的传播机制，方法可显著提高可扩展性和训练速度，并在多种现有图自编码器和图变分自编码器的变体上进行了评估和讨论。实验结果表明，该方法在大规模图上具有与其他流行的节点嵌入方法相当的性能。

    Feb, 2019

  • 用于生长图的生成图卷积网络

    本研究提出了一种统一的生成图卷积网络，通过从现有图数据构建生成图序列的采样，在生成模型框架中自适应地学习所有节点的节点表示，同时使用图重构项和自适应KL正则化项对变分下限进行优化，解决了无法处理孤立新节点的问题。

    Mar, 2019

  • 保持简单：无需图卷积网络的图自编码器

    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

  • 解开随机与真实世界图形的可解释生成参数

    本文提出一种利用Beta-VAE深度学习框架对图表现进行生成建模与压缩编码的方法，并成功实现了对随机图与真实图的自动生成，得到了可解释的潜空间变量，在不手动选择拓扑属性情况下，分析了图拓朴与节点属性之间的相关性。

    Oct, 2019

  • 基于一阶线性模型的简单高效图自编码器

    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

  • 用于子图预测的深度生成模型

    本研究解决了深度图学习中的子图查询任务，此任务不同于传统的基于单一组件的图预测，能够联合预测目标子图的多种组成部分。通过引入变分图自编码器(VGAE)和贝叶斯优化，本研究提出了一种新颖的基于概率的深度生成模型，在多项基准数据集上表现出优越的预测性能，AUC分数提升幅度达到0.06到0.2点。

    Aug, 2024