半隐图变分自编码器
机器学习
2020-04-23 v4 机器学习
摘要
提出半隐图变分自编码器（SIG-VAE）以扩展变分图自编码器（VGAE）建模图数据的灵活性。SIG-VAE 采用层次变分框架，使相邻节点共享以更好地生成式建模图依赖结构，并配以 Bernoulli-Poisson 链接解码器。这种层次结构不仅提供了更灵活的生成式图模型以更好地捕捉真实世界图属性，而且使 SIG-VAE 自然导出半隐层次变分推断，从而对给定图数据的隐式后验（可能呈现重尾、多模态、偏态及丰富依赖结构）进行忠实建模。与 VGAE 相比，SIG-VAE 导出的图隐表示更具可解释性，这得益于更具表达力的生成模型以及由灵活半隐构造实现的更忠实推断。在多种图数据上的大量实验表明，SIG-VAE 在若干不同图分析任务上显著优于 SOTA 方法。
引用
@article{arxiv.1908.07078,
title = {Semi-Implicit Graph Variational Auto-Encoders},
author = {Arman Hasanzadeh and Ehsan Hajiramezanali and Nick Duffield and Krishna R. Narayanan and Mingyuan Zhou and Xiaoning Qian},
journal= {arXiv preprint arXiv:1908.07078},
year = {2020}
}
备注
Accepted to Advances in Neural Information Processing Systems (NeurIPS 2019)