Oct, 2019

解开随机与真实世界图形的可解释生成参数

PDF
TL;DR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。
graph generationinterpretable generative proceduresdeep autoencoding frameworkbeta-variational autoencoderslatent variables
发现论文，激发创造
  • 通过分离还原 Barabási-Albert 图的参数

    本文采用自动编码方法和图神经网络从真实的图数据中学习生成 BA 图的参数并生成类似 BA 图的图像。

    May, 2021

  • 利用解缠结构图自编码器学习网络表示

    我们介绍了 “解缠图自编码器” 和 “解缠变分图自编码器”（DGA 和 DVGA）的方法，其利用生成模型学习解缠表示，通过设计多通道信息传递层的解缠图卷积网络作为编码器，以及引入在不同潜在因素上的独立性约束，我们的方法在合成和真实数据集上实验表明其优越性。

    Feb, 2024

  • 半监督深度生成模型学习分离表示

    该研究提出了一种使用图形模型和深度神经网络架构的变分自编码器，能够学习到不同的表示形式，进一步实现半监督学习，其生成的能力和区分能力也得到了充分验证。

    Jun, 2017

  • 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

  • 使用变分自编码器生成可解释的表示

    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

  • 变分解缠图自编码器用于链接预测

    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

  • 无概念因果分解变分图自编码器

    提出了一种无监督学习的解决方案，称为无概念因果分解 (disentanglement)，通过在可观测数据中直接学习概念结构，提出了 CCVGAE 和 CC-Meta-Graph 模型，并在 AUC 方面分别取得了高达 29% 和 11% 的绝对改进。

    Nov, 2023

  • 可解释的深度图形生成 —— 节点、边的协同解耦

    本研究提出了一种新的解缠结生成模型的增强型框架，采用新的变分目标来解缠所有类型的潜在因子，并通过新的节点和边解缠架构进一步增强单因子的解缠度。定量定性实验表明，该模型扩展性强，能够高效地解决解缠在图像生成中的问题。

    Jun, 2020

  • 可传递信息理论及其在深度生成模型中的应用

    本文介绍了一种基于控制先验和层次结构的基于变分自编码器 (SemafoVAE) 来实现分离表示和生成高质量图像的方法。

    Mar, 2022

  • 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