保持简洁：无图卷积网络的图自编码器
机器学习
2019-10-03 v1 社会与信息网络
机器学习
摘要
图自编码器（AE）和变分自编码器（VAE）近来作为强大的节点嵌入方法崭露头角，在链接预测和节点聚类等具有挑战性的任务上表现出有前景的性能。图 AE、VAE 及其多数扩展依赖于图卷积网络（GCN）来学习节点的向量空间表示。在本文中，我们提议用关于图邻接矩阵的简单线性模型替代 GCN 编码器。对于上述两项任务，我们通过实证表明，对于众多真实世界图（包括广泛使用的、已成为评估图 AE 和 VAE 事实基准数据集的 Cora、Citeseer 和 Pubmed 引文网络），该方法始终能达到与基于 GCN 的模型相当的性能。这一结果质疑了反复使用这三个数据集来比较复杂图 AE 和 VAE 模型的相关性，也强调了简单节点编码方案在许多真实世界应用中的有效性。
引用
@article{arxiv.1910.00942,
title = {Keep It Simple: Graph Autoencoders Without Graph Convolutional Networks},
author = {Guillaume Salha and Romain Hennequin and Michalis Vazirgiannis},
journal= {arXiv preprint arXiv:1910.00942},
year = {2019}
}
备注
NeurIPS 2019 Graph Representation Learning Workshop