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
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
提出了一种新的算法 Adaptive Graph Encoder (AGE) 基于图卷积网络(GCN)的 attributed graph embedding 任务,并且采用了特定的 laplacian smoothing filter 去除节点特征中高频噪声,实现更佳的节点嵌入。AGE 在公共基准数据集上进行了实验,结果表明 AGE 在节点聚类和链接预测任务中表现出色。
Jul, 2020
提出了 GA^2E,一种统一的对抗性掩码自动编码器,能够在各种图任务中无缝应用,通过对抗训练机制确保图表示的稳健性。
Mar, 2024
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
本研究引入一种新的方法,将图自编码器与图变压器相结合,称为 GTAGC,以解决传统方法无法捕捉图中节点间复杂全局依赖情况的问题,该方法在基准数据集上表现出卓越性能,展现了图聚类方面的应用前景。
图聚类算法中的自编码器结构因其高效性能和低训练成本而近来受到关注。然而,对于基于 GCN 或 GAT 的现有图自编码器聚类算法来说,它们不仅缺乏良好的泛化能力,而且很难自动确定由这些自编码器模型聚类的群集数目。为解决这个问题,我们提出了一个称为 Graph Clustering with Masked Autoencoders (GCMA) 的新框架。它利用我们设计的基于图遮蔽方法的融合自编码器来进行图的融合编码。在解码过程中,它引入了我们改进的基于密度的聚类算法作为第二个解码器,并通过多目标重构进行解码。通过解码遮蔽嵌入,我们的模型能够捕捉到更广义和全面的知识。在提高泛化能力的同时,可以输出端到端的群集数目和聚类结果。作为一种非参数类方法,广泛的实验证明了 GCMA 相对于最先进的基准算法的优越性。
Jan, 2024
通过双编码器 - 解码器架构将原始图的区别知识传递到重建图以避免模糊重建并提高性能。
Jun, 2024
本文研究了自监督自编码器在图数据中的表现问题,并提出一种新的自编码器模型用于图形表示学习,该模型包括分层自适应掩蔽机制和可训练的破坏机制,通过在十个基准数据集上的广泛实验,证明了所提出方法相对于现有的图表征学习模型其卓越性。
Jan, 2023
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