- 通过相似度蒸馏保持图自编码器中节点的独特性
通过双编码器 - 解码器架构将原始图的区别知识传递到重建图以避免模糊重建并提高性能。
- 通过生成方法探索图表示学习中的任务合并
提出了 GA^2E,一种统一的对抗性掩码自动编码器,能够在各种图任务中无缝应用,通过对抗训练机制确保图表示的稳健性。
- MM图自编码器的新前沿:联合社区发现与链路预测
通过提出一种基于社区保持的消息传递方案及新的训练优化策略来同时提高图的社区检测和链接预测任务的性能;在各种真实世界的图中,我们证明了这种方法的实验有效性。
- EGG-GAE: 可扩展的图神经网络用于表格数据填充
本文提出了一种基于 EdGe(隐式图形表示)图自编码器的缺失数据插补方法,其可处理更大的数据集且能够自动推断每层最佳的联通性,同时在基准测试和基线系统中均获得了重大的改进。
- KDD自监督掩码图自编码器
本研究提出了一种掩蔽图自编码器 (GraphMAE),解决了基于结构数据增强和复杂的训练策略的对比学习的不足之处,侧重于特征重建,并表现出优异的性能。
- E (n) 等变图神经网络
本文介绍了一种新的模型来学习具有等变性的图神经网络,称为 EGNN,此方法不需要在中间层中计算昂贵的高阶表示,同时具有竞争力或更好的性能,在 3 维空间等变性上具有比现有方法更大的伸缩性,并在动态系统建模,图自编码器中的表征学习和预测分子性 - KDD基于一阶线性模型的简单高效图自编码器
使用更简单的线性模型代替多层图卷积网络编码器学习节点的向量空间表示,在节点嵌入等任务上表现良好,提出对于复杂的图自编码器和变分自编码器反复使用这些基准数据集进行比较的问题。
- 保持简单:无需图卷积网络的图自编码器
本文提出一种替代图卷积网络 (GCN) 编码器的简单线性模型来学习节点的向量表示,并通过实验证明在多个现实世界的图中,如 Cora、Citeseer 和 Pubmed 引文网络上,其表现与基于 GCN 的模型相当,这结果对于评估复杂图自动编 - RWR-GAE:图自编码器的随机游走正则化
本文介绍了一种基于随机游走的方法来规范编码器学习到的表示,可以使图自编码器在节点聚类和链接预测任务中具有更好的性能表现。
- 基于重力灵感的有向链接预测图自编码器
本研究针对自动编码器和变分自动编码器在处理有向图时的限制性,提出了一种基于引力的解码器方案,并在三个实际应用中对比实验表明,该方案取得了比基准方法更好的结果。
- IJCAI可扩展图自编码器的退化框架
该论文提出了一个基于图退化概念的图自编码器和图变分自编码器的扩展框架,它可以训练只用稠密节点子集的模型而不是整个图。结合一个简单但有效的传播机制,方法可显著提高可扩展性和训练速度,并在多种现有图自编码器和图变分自编码器的变体上进行了评估和讨