WSDMJan, 2020

Inf-VAE: 一种变分自编码器框架，用于集成同质性和影响力以进行扩散预测

PDF
TL;DR本文介绍了一种新的变分自编码器框架 (Inf-VAE)，通过维护社交网络结构中的同质性和影响，利用图神经网络来选择性地利用用户的社交连接，使用一个新颖的表达式共同关注融合网络，来预测所有受影响的用户，展示 Inf-VAE 相对于现有扩散预测模型的显著收益 (22% MAP @ 10) ，尤其是对于活动稀疏和缺乏直接社交邻居的用户。
social mediadiffusion prediction methodshomophilygraph neural networklatent variables
发现论文，激发创造
  • 一种用于协同过滤的混合变分自编码器

    本文利用变分自编码器和电影嵌入向量，应用于电影推荐，通过 VAE 网络获取潜在表示，探索了合作式过滤的新方法。

    Jul, 2018

  • 使用变分自编码器和异质先验进行物品推荐

    本文提出了一种在 Variational Autoencoders 框架下利用用户评论文本并加入用户自适应先验来提高协同过滤推荐质量的方法，实验证明该方法比已有的基于用户评分与文本的推荐模型有更高的排名指标。

    Jul, 2018

  • 变分自编码器中落后的推断网络和后验崩溃

    本文研究了变分自编码器 (VAE) 在训练时出现的后验崩溃现象。针对训练动态的观察，我们提出了一种极其简单的改进 VAE 的训练方法，避免了之前工作中普遍存在的后验崩溃问题，并取得了比基准模型更优的实验结果。

    Jan, 2019

  • 无监督信息论变分图自编码器的信念表示学习

    本论文提出了一个新颖的针对极化网络的无监督算法，能够识别潜在维度、将用户和内容项目结合到一个合适的解缠结的潜在空间中，并且能够定量权衡他们在意识形态上的倾向，探究他们在问题上的立场，是一个在用户聚类错误降低 10.5％，提高 12.1％的 F1 得分，同时与监督模型产生可比较的结果的模型。

    Oct, 2021

  • 异质性时间和纵向数据的变分自编码器

    本文提出了用于处理异构数据的异构纵向变分自编码器，该模型通过建立生成模型和推断网络实现了高维数据的有效推断和处理，并使用连续、计数、分类和序数数据的似然模型来处理缺失值和实现预测。通过模拟和临床数据的实验验证了模型的有效性和预测精度。

    Apr, 2022

  • InVA：整合型变分自编码器用于多模态神经影像数据的协调

    该研究论文介绍了一种名为 Integrative Variational Autoencoder（InVA）的方法，通过借用来自不同来源的多个图像的信息，捕捉了结果图像与输入图像之间的复杂非线性关联，并实现了快速计算，从而提供了在人脑磁共振成像（MRI）中从多个皮层结构测量中获得代价高昂的正电子发射断层摄影（PET）的高精度预测推断。

    Feb, 2024

  • 基于变分自编码器的图扩散源定位用于图反问题

    本文提出了一种基于概率模型的通用框架：SL-VAE 来定位任意扩散模式下的扩散源。SL-VAE 利用前向扩散估计模型和深度生成模型，近似扩散源分布并量化不确定性。最后，通过导出一个统一的目标函数，强制模型在任意扩散模式下进行泛化。在 7 个真实世界的数据集上进行的广泛实验表明了 SL-VAE 在重建扩散源方面的优越性。

    Jun, 2022

  • 邻居嵌入变分自编码器

    本文介绍了变分自编码器（VAE）在 posterior collapse 现象中的缺陷，并提出了一种基于邻居嵌入的 VAE（NE-VAE）模型，它能够防止 posterior collapse 现象的发生，同时保留大部分潜变量维度的活跃性，有利于下游的潜空间优化任务。

    Mar, 2021

  • 协同过滤的变分自编码器

    本研究提出一种基于 VAE 的非线性概率模型，用于解决协作过滤问题，相对于现有的线性因子模型，具有更强的建模能力，并使用贝叶斯推断进行参数估计来得到更好的泛化性能。本方法在现有多个数据集上均取得了显著优异的性能表现，并对使用多项式分布作为似然函数进行了比较实验，分析了使用贝叶斯方法的优缺点及适用场景。

    Feb, 2018

  • 基于顺序变分自编码器的协同过滤

    本文中我们提出了一种基于循环神经网络的变分自编码器模型，用于建模用户偏好，并且通过处理时间信息以改善精度。我们的模型可以捕捉用户消费序列中的时间依赖关系，并保持变分自编码器的基本特征。

    Nov, 2018