Mar, 2024

双分图变分自编码器用公平潜在表示解决生态网络中的抽样偏差

PDF
TL;DR我们提出了一种方法来表示双分图网络，使用定制的图嵌入方法来解决研究生态网络时面临的挑战，特别是需要考虑许多协变量，尤其是为了控制采样偏差。我们将变分图自编码器方法改编为双分图的情况，这使我们能够在潜在空间中生成节点的嵌入，这两组节点的位置是基于它们的连接概率确定的。我们将社会学中常用的公平框架转化为生态学中解决采样偏差的方法。通过将 Hilbert-Schmidt 独立性准则（HSIC）作为损失函数中的附加惩罚项进行优化，我们确保潜在空间的结构与与采样过程相关的连续变量无关。最后，我们展示了当应用于 Spipoll 数据集时，我们的方法如何改变我们对生态网络的理解，这是一个众包式的植物 - 传粉者相互作用的公众科学监测计划，容易出现采样偏差。
发现论文，激发创造
  • 分层 VampPrior 变分公平自编码器

    本文考虑使用深层生成建模和层次化变分自动编码器，学习公正的表示并利用互信息作为有用的正则化因子来强制表示的公正性，实验证明该方法优于或与当前最佳模型持平。

    Jun, 2018

  • 自动编码变分贝叶斯的信息限制

    本文提出了一种通过使用自动编码变分贝叶斯 (Auto-Encoding Variational Bayes) 和基于核的独立度量来强制表示之间独立性的方法，该方法可以应用于各种问题，包括学习不变表示和可解释表示的学习，同时在单细胞 RNA 测序 (scRNA-seq) 方面超过了现有技术。

    May, 2018

  • 无监督信息论变分图自编码器的信念表示学习

    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

  • 非参数变分自编码器用于分层表示学习

    本文提出了一种层次非参数变分自编码器模型，以结合树状结构的贝叶斯非参数先验和变分自编码器来实现无限灵活性的潜在表征空间，进而在视频表征学习上取得更好的效果。

    Mar, 2017

  • BiasedWalk: 偏置抽样在图表示学习中的应用

    提出基于偏置随机游走的可扩展无监督特征学习算法 BiasedWalk，适用于网络的降维和链接预测等任务，并在实验中显示它的优越性。

    Sep, 2018

  • 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

  • 狄利克雷图变分自编码器

    本研究提出了基于 Dirichlet Graph Variational Autoencoder (DGVAE) 的图聚类成员资格作为潜在因素的方法，以连接基于 VAEs 的图生成和平衡图割，提供了一种理解和改进 VAEs 的图生成内部机制的新方法。

    Oct, 2020

  • Poincaré 变分自编码器实现连续的分层表示

    本文利用 Poincaré 球模型的超几何结构作为潜变量空间，研究了 VAE 在这个空间的运用，该方法在嵌套数据结构下表现出色，并展现了超几何结构对于 VAE 的优越性。

    Jan, 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

  • 神经变分推理用于知识图嵌入的不确定性估计

    该论文介绍了一种高度可扩展的概率框架，利用神经变分推理构建条件推理网络，针对知识图谱中实体和关系类型的符号表示提供变分分布。通过该框架构建了两个模型，即 Latent Information 和 Latent Fact 模型，这些模型在特定条件下改进了基线性能。

    Jun, 2019