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
本文介绍了一种使用基于上下文无关文法的句法树进行编码和解码的变分自编码器,用于生成离散数据,此方法可以保证生成数据的有效性,并在符号回归和分子合成的贝叶斯优化中展示出更好的性能。
Mar, 2017
本文提出一种新颖的对抗性图嵌入框架用于图形数据,该框架通过编码图形的拓扑结构和节点内容到紧凑表示,进而训练一个解码器重构图形结构,并通过对抗性训练方案强制将潜在表示匹配到先验分布,两种对抗性方法的实验研究表明,其在实际图形计算任务中击败基线算法。
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。
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。
通过引入 stochastic lazy attributes,提出了一种基于语法制导的变分自编码器以捕捉离散结构的语法和语义约束,并使用编程语言和分子优化等应用程序对其进行了评估。
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
利用变分自动编码器框架和图神经网络生成真实的综合关系数据库。
Nov, 2022