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

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

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

本文提出了 Adversarial Privacy Graph Embedding (APGE) 模型，它是一种图形对抗训练框架，可以学习来自图形结构数据的低维特征表征，并保护用户隐私信息，从而在解决节点分类和链接预测等任务时具有优越性能。

Aug, 2020

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

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

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

我们提出了一种名为 AVAE 的新型对抗生成嵌入框架，该框架将 GAN 的高质量生成模型和 VAE 的后验分布学习器的优势相结合，用于半监督学习，并针对已有的问题进行改进。实践结果表明，我们的方法在半监督分类方面的表现优于现有的最先进模型。

May, 2019

本论文提出了一个新颖的针对极化网络的无监督算法，能够识别潜在维度、将用户和内容项目结合到一个合适的解缠结的潜在空间中，并且能够定量权衡他们在意识形态上的倾向，探究他们在问题上的立场，是一个在用户聚类错误降低 10.5％，提高 12.1％的 F1 得分，同时与监督模型产生可比较的结果的模型。

Oct, 2021