Feb, 2024

利用解缠结构图自编码器学习网络表示

PDF
TL;DR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。
graph auto-encoderdisentangled graph representationsgenerative modelsdisentangled variational graph auto-encoderindependence constraints
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 半监督深度生成模型学习分离表示

    该研究提出了一种使用图形模型和深度神经网络架构的变分自编码器，能够学习到不同的表示形式，进一步实现半监督学习，其生成的能力和区分能力也得到了充分验证。

    Jun, 2017

  • 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

  • 解开随机与真实世界图形的可解释生成参数

    本文提出一种利用 Beta-VAE 深度学习框架对图表现进行生成建模与压缩编码的方法，并成功实现了对随机图与真实图的自动生成，得到了可解释的潜空间变量，在不手动选择拓扑属性情况下，分析了图拓朴与节点属性之间的相关性。

    Oct, 2019

  • 多层变分自编码器：从分组观察中学习解耦表示

    提出了 Multi-Level Variational Autoencoder 用于学习语义上相关并解耦的潜变量表示，将工作集中在组别和个体水平上的同时保持高效的测试时推理，以便对相关变量进行无监督控制。

    May, 2017

  • 通过循环一致变分自编码器分离变异因素

    本文提出了一种使用弱监督来将潜在空间分离成两个互补子空间的新架构，使用变分自编码器中的循环一致性，获得鼓舞人心的结果，并与利用对抗训练的最近作品进行了比较。

    Apr, 2018

  • 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