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
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
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
通过提出一种基于社区保持的消息传递方案及新的训练优化策略来同时提高图的社区检测和链接预测任务的性能;在各种真实世界的图中,我们证明了这种方法的实验有效性。
Nov, 2022
本文提出了一种基于图神经网络的离散自编码器,Vector-Quantized Graph Auto-Encoder (VQ-GAE),用于模拟图的分布,通过利用图神经网络的等变性、局部结构和全局结构,以离散向量化的方式将图对象映射到潜在空间中捕捉整体结构,并在图形生成方面显示出优秀的性能。
Jun, 2023
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。
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
通过使用硬节点分配将样本图分解为分离子图的系列,并利用软节点分配重新构建原始图结构,该研究提出的层次聚类 GAE(HC-GAE)能够有效提取原始样本图的双向分层结构特征,解决了经典基于卷积的 GAE 中的过度平滑问题。
May, 2024