Jun, 2024

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

PDF
TL;DR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。
graphsarchitectural layoutrepresentation learningdisentangled representationgraph generation
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

  • 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

  • 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

  • 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

  • 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

  • 可解释的深度图形生成 —— 节点、边的协同解耦

    本研究提出了一种新的解缠结生成模型的增强型框架，采用新的变分目标来解缠所有类型的潜在因子，并通过新的节点和边解缠架构进一步增强单因子的解缠度。定量定性实验表明，该模型扩展性强，能够高效地解决解缠在图像生成中的问题。

    Jun, 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

  • 基于变分图自编码器的归纳学习方法用于半监督分类

    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

  • 构建基于群体的无监督表示解缠框架

    本文提出了一个理论框架和一个基于现有 VAE 方法的模型，以实现无监督的分离表示，通过引入群论的概念，以第 n 二面角群为灵感，证明了模型、群结构和数据三个充分条件，在五个数据集上的实验证明，在群化后的 VAE 上相对于原始 VAE 的性能更好。

    Feb, 2021

  • 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