Aha.
正在载入中英对照阅读…

arXiv:1611.07308 · 中英对照阅读

Variational Graph Auto-Encoders

Thomas N. Kipf、Max Welling

中文速览

在引文网络里,缺少部分连接时,怎样利用节点信息推断哪些节点彼此相连,是这项工作的核心问题。作者提出变分图自编码器(VGAE):用图卷积网络结合节点特征,学习每个节点的潜在表示,再通过节点表示的内积预测连接,并在多个引文数据集上与已有方法比较。结果显示,即使不使用节点特征,模型表现也有竞争力;加入特征后,预测效果明显提升,VGAE在Cora和Citeseer上表现更好。这项工作说明,把图结构和节点自身信息一起学习,能更可靠地补全网络连接,也为图上的无监督表示学习提供了一个简洁框架。

摘要

We introduce the variational graph auto-encoder (VGAE), a framework for unsupervised learning on graph-structured data based on the variational auto-encoder (VAE) [2, 3]. This model makes use of latent variables and is capable of learning interpretable latent representations for undirected graphs (see Figure 1).

术语表

variational graph auto-encoder (VGAE)
变分图自编码器(VGAE)
graph auto-encoder (GAE)
图自编码器(GAE)
variational auto-encoder (VAE)
变分自编码器(VAE)
graph-structured data
图结构数据
unsupervised learning
无监督学习
latent variable
潜变量
latent representation
潜在表示
latent embedding
潜在嵌入
graph convolutional network (GCN)
图卷积网络(GCN)
inner product decoder
内积解码器
link prediction
链接预测
citation network
引文网络
node feature
节点特征
adjacency matrix
邻接矩阵
degree matrix
度矩阵
stochastic latent variable
随机潜变量
inference model
推断模型
generative model
生成模型
variational lower bound
变分下界
Kullback–Leibler divergence (KL divergence)
Kullback–Leibler 散度(KL 散度)
Gaussian prior
高斯先验
reparameterization trick
重参数化技巧
spectral clustering (SC)
谱聚类(SC)
DeepWalk (DW)
DeepWalk(DW)
Adam
Adam 优化器
area under the ROC curve (AUC)
ROC 曲线下面积(AUC)
average precision (AP)
平均精确率(AP)