MMNov, 2022

图自编码器的新前沿：联合社区发现与链路预测

PDF
TL;DR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。
graph autoencodersvariational graph autoencoderslink predictioncommunity detectionmessage passing
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

  • 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

  • 基于一阶线性模型的简单高效图自编码器

    使用更简单的线性模型代替多层图卷积网络编码器学习节点的向量空间表示，在节点嵌入等任务上表现良好，提出对于复杂的图自编码器和变分自编码器反复使用这些基准数据集进行比较的问题。

    Jan, 2020

  • 保持简单：无需图卷积网络的图自编码器

    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

  • VGAER: 基于图神经网络重构的社区发现

    本文提出了一种基于变分图自编码器重构的社区检测方法 VGAER，通过融合高阶模块化信息与网络特征，不需要任何先验信息，设计了对应的输入特征、解码器和下游任务，并在广泛数据集和先进方法的一系列实验中取得了卓越的性能和竞争力。该方法具有更简单的设计，并展现了强大的网络模块化能力。

    Jan, 2022

  • 基于重力灵感的有向链接预测图自编码器

    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

  • 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

  • 基于图神经网络的概率生成模型在疾病基因预测中的应用

    本文研究使用 VGAE 和 C-VGAE 作为无监督的方法，利用图神经网络进行疾病 - 基因关联网络的潜在嵌入表示，进而解决疾病 - 基因预测问题，结果表明 VGAE 和 C-VGAE 方法具有很好的性能

    Jul, 2019

  • 基于图自编码重构的快速社区检测

    本文提出了一种基于图自编码器重构的社区检测框架 (GAER)，该框架在大规模网络中不需要任何先验信息，具有高度的可扩展性，在实时图形中可以加速模型推理速度，并在几乎所有网络上实现了卓越的性能。

    Mar, 2022

  • HC-GAE: 基于层次聚类的图自编码器用于图表示学习

    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