Dirichlet 图变分自编码器
机器学习
2020-11-19 v2
摘要
图神经网络（GNNs）与变分自编码器（VAEs）已广泛用于带潜在因子的图建模与生成。然而，对于这些潜在因子是什么以及为何表现良好，尚无清晰解释。在本文中，我们提出以图簇隶属度作为潜在因子的 Dirichlet 图变分自编码器（DGVAE）。我们的研究将基于 VAEs 的图生成与平衡图割联系起来，并为理解和改进基于 VAEs 的图生成内部机制提供新途径。具体而言，我们首先以原则性方式将 DGVAE 的重构项解释为平衡图割。此外，受平衡图割中低通特性的启发，我们提出一种名为 Heatts 的 GNN 新变体，将输入图编码为簇隶属度。Heatts 利用泰勒级数快速计算热核，并具有优于图卷积网络（GCN）的低通特性。通过在图生成与图聚类上的实验，我们证明了所提框架的有效性。
引用
@article{arxiv.2010.04408,
title = {Dirichlet Graph Variational Autoencoder},
author = {Jia Li and Tomasyu Yu and Jiajin Li and Honglei Zhang and Kangfei Zhao and YU Rong and Hong Cheng and Junzhou Huang},
journal= {arXiv preprint arXiv:2010.04408},
year = {2020}
}
备注
Inproceedings of NeurIPS 2020