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。

Feb, 2018

本论文研究了与图表示学习相关的两个基本任务：链接预测和节点分类，并提出了一种新的自编码器架构，能够学习本地图结构和可用节点特征的联合表示，用于同时进行无监督链接预测和半监督节点分类的多任务学习。

Nov, 2018

该论文提出了一个新的对手正则化框架来进行图嵌入，通过对手正则化的方法来保证所得到的隐藏代码满足先验高斯或均匀分布，之后得到两个 Adversarially Regularized Graph Autoencoder (ARGA) 和 Adversarially Regularized Variational Graph Autoencoder (ARVGA) 的变种来学习图嵌入，实验表明我们的方法在链接预测和图聚类中执行良好。

Jan, 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

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

本研究提出了基于Dirichlet Graph Variational Autoencoder (DGVAE)的图聚类成员资格作为潜在因素的方法，以连接基于VAEs的图生成和平衡图割，提供了一种理解和改进VAEs的图生成内部机制的新方法。

Oct, 2020

通过在图嵌入方法中使用L2和L1两种形式的对抗训练，在链接预测、节点聚类和图异常检测等三个应用程序中，提高了嵌入模型的泛化能力。

Jul, 2021

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