利用解耦图自编码器学习网络表示

（变分）图自编码器被广泛用于学习图结构数据的表示。然而，现实世界图的形成是一个受潜在因素影响的复杂异质过程。现有的编码器从根本上说是整体性的，忽略了潜在因素的纠缠。这降低了图分析任务的有效性，同时也使得解释所学表示变得更加困难。因此，利用（变分）图自编码器学习解耦的图表示带来了重大挑战，并且在当前研究中仍基本未被探索。在本文中，我们引入了图自编码器（DGA）和解耦变分图自编码器（DVGA）来学习解耦表示。具体来说，我们首先设计了一个具有多通道消息传递层的解耦图卷积网络作为编码器。这使得每个通道能够聚合关于每个潜在因素的信息。然后，通过对每个通道应用分量式流，增强了解耦变分图自编码器的表达能力。此外，我们构建了一个考虑解耦表示特性的因子式解码器。我们通过对不同潜在因子的映射通道施加独立性约束，提高了表示的独立性。在合成数据集和真实世界数据集上的实证实验表明，与几种最先进的基线方法相比，我们提出的方法具有优越性。