arXiv:1611.07308 · 中英对照阅读
Variational Graph Auto-Encoders
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)