动态联合变分图自编码器
机器学习
2019-10-07 v1 机器学习
摘要
学习网络表示是许多图应用（如链接预测、节点分类、图聚类和图可视化）的一项基本任务。许多真实世界的网络被解释为动态网络并随时间演化。现有大多数图嵌入算法主要针对静态图开发，无法捕捉大型动态网络的演化。本文提出动态联合变分图自编码器（Dyn-VGAE），能够学习动态网络中的局部结构和时间演化模式。Dyn-VGAE 提供了一个联合学习框架，用于同时计算所有图快照的时间表示。每个自编码器基于其局部结构嵌入一个图快照，并可通过与其他自编码器协作来学习时间依赖关系。我们在动态真实图数据集上进行了实验研究，结果证明了所提方法的有效性。
引用
@article{arxiv.1910.01963,
title = {Dynamic Joint Variational Graph Autoencoders},
author = {Sedigheh Mahdavi and Shima Khoshraftar and Aijun An},
journal= {arXiv preprint arXiv:1910.01963},
year = {2019}
}