Jun, 2023

变分解缠图自编码器用于链接预测

PDF
TL;DR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。
link predictionembedding methodsdisentanglementlatent factorsneural networks
发现论文，激发创造
  • 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

  • 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

  • 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

  • 图自编码器的新前沿：联合社区发现与链路预测

    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

  • 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

  • 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

  • 引导式变分自编码器用于分离式学习

    设计一种算法 Guided-VAE，通过提供信号来实现 VAE 的潜在编码 / 嵌入，以学习可控的生成模型，该算法在表示学习，合成 / 采样改进，分类中取得了更好的效果

    Apr, 2020

  • 无概念因果分解变分图自编码器

    提出了一种无监督学习的解决方案，称为无概念因果分解 (disentanglement)，通过在可观测数据中直接学习概念结构，提出了 CCVGAE 和 CC-Meta-Graph 模型，并在 AUC 方面分别取得了高达 29% 和 11% 的绝对改进。

    Nov, 2023

  • 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

  • SE-VGAE：用于可解释的建筑布局设计图生成的无监督分解表示学习

    我们介绍了一个无监督的分离表示学习框架 (SE-VGAE)，旨在生成以属性连接的多图形式的建筑布局，同时强调表示的分离性，通过优化数据集和实验，对探索基于图形数据的建筑设计表示空间进行了深入研究，该研究将无监督的分离表示学习应用于建筑布局图生成任务中。

    Jun, 2024