变分图归一化自编码器
机器学习
2021-09-14 v2 人工智能
摘要
链接预测是图结构数据的关键问题之一。随着图神经网络的发展，图自编码器（GAE）和变分图自编码器（VGAE）被提出以无监督方式学习图嵌入。已有研究表明这些方法对链接预测任务有效。然而，当涉及度为零（即孤立节点）的节点时，它们在链接预测中表现不佳。我们发现 GAE/VGAE 会使孤立节点的嵌入趋近于零，而不管其内容特征如何。本文提出一种新颖的变分图归一化自编码器（VGNAE），利用 L2 归一化来为孤立节点推导更好的嵌入。我们表明，我们的 VGNAE 在链接预测任务上优于现有的最先进模型。代码见 https://github.com/SeongJinAhn/VGNAE。
引用
@article{arxiv.2108.08046,
title = {Variational Graph Normalized Auto-Encoders},
author = {Seong Jin Ahn and Myoung Ho Kim},
journal= {arXiv preprint arXiv:2108.08046},
year = {2021}
}