Oct, 2020

狄利克雷图变分自编码器

PDF
TL;DR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。
graph neural networksvariational autoencodersdirichlet graph variational autoencodergraph generationgraph clustering
发现论文，激发创造
  • 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

  • D-VAE：一种用于有向无环图的变分自编码器

    该研究论文介绍了一种基于深度生成模型的有向无环图变分自编码器，利用图神经网络异步消息传递编码 DAG 的计算，达到了搜索性能更好的 DAG 的目的，并在神经网络结构搜索和贝叶斯网络结构学习等任务中证明了其有效性。

    Apr, 2019

  • 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

  • 属性图嵌入的深度流形图自编码器

    该论文提出了一种用于属性图数据的新型深度流形图自编码器（DMVGAE / DMGAE）方法，以提高学习表示的稳定性和质量，并解决拥挤问题。该方法在预定义的分布下保持了原始空间和潜在空间之间节点到节点的测地线相似性，并在流行数据集上显著超过了最先进的基准算法在不同的下游任务中，验证了我们的解决方案。我们承诺会在接受后发布代码。

    Jan, 2024

  • 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

  • 一个用于节点聚类的对比变分图自编码器

    改进了 Variational Graph Auto-Encoders 方法以应对节点聚类任务中的挑战，包括推理和生成模型的差异、后验坍缩、特征随机性和特征漂移，并通过对比学习获得更好的聚类结果。

    Dec, 2023

  • DefenseVGAE: 通过变分图自编码器防御图数据的对抗攻击

    本文提出了 DefenseVGAE 框架，利用变分图自编码器 (VGAEs) 重建图的结构来防御图神经网络 (GNNs) 在面对对抗性攻击时的鲁棒性，实验证明其在不同威胁模型下具有很强的有效性。

    Jun, 2020

  • 狄利克雷变分自编码器

    本文提出了使用 Dirichlet 优先的 DirVAE 模型，利用随机梯度法来推论模型参数，解决了潜变量坍塌问题，并在 MNIST，OMNIGLOT，和 SVHN 等数据集上进行了半监督和监督分类任务的实验，结果表明 DirVAE 模型在生成的潜在表达方面与其它基线模型相比具有最佳的对数似然，并且没有出现基线模型出现的坍塌问题，同时，对比基线模型，利用 DirVAE 模型学到的潜在表达还能够实现更好的半监督和监督分类性能。

    Jan, 2019

  • 基于变分图自编码器的归纳学习方法用于半监督分类

    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

  • 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