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

该论文提出了一种名为 Semi-implicit graph variational auto-encoder（SIG-VAE）的模型，采用分层变分框架，建立了一种更灵活的生成图模型，用于更好地捕捉现实世界的图形属性，并能够准确建模给定图形数据的后验概率分布。

Aug, 2019

本文提出了一种适用于多级任务无关图表示学习的同构一致 VGAE（IsoC-VGAE）方法，并通过在 VGAE 框架内维护高阶同构一致性的多跳邻域信息，对 GNN 节点嵌入进行重构，从而保持同构一致性。广泛的实验证明我们的模型在代表性的图学习任务中普遍优于最先进的无监督方法和代表性的有监督方法。

Dec, 2023

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

本文提出了一种无监督的模型 - 关系变分图自编码器（R-VGAE）来预测概念之间的关系，并在此基础上扩展 1,717 英文 NLP 相关的讲座幻灯片文件和 322 个主题的手动概念对注释，结果表明我们的方法在先决关系预测准确率和 F1 分数方面为图形半监督方法和其他基线方法提供高达 9.77% 和 10.47% 的性能提升。

Apr, 2020

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

本文提出了一个框架，利用结构化图形模型在变分自动编码器（VAEs）的编码器中导出可解释的表达，使得在给定图形模型的结构限制下执行推理，并使用深度生成模型处理高维度的杂乱领域变得更容易。同时在无监督和半监督的情况下，通过变分目标进行端对端的学习。

Nov, 2016

本文提出了一种名为 SDVAE 的半监督变分自编码器，其将输入数据转化为可解释和不可解释的特征表示，使用分类信息来规范可解释的特征表示，并使用强化学习来增强特征学习能力，此框架适用于图像和文本数据。

Sep, 2017

本文提出了一种名为 SVGA 的结构化变分图自编码器方法，通过结构化变分推理建模变量的先验分布，并将概率推理和图神经网络相结合，实现了对缺失节点特征的高精度估计。

Jun, 2022

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