论文解析:Variational Graph Auto-Encoders
- 作者:Thomas N. Kipf, Max Welling, 和GCN的作者是一样的
- 会议:Bayesian Deep Learning Workshop (NIPS 2016), NIPS的一个workshop,不是长文
- 论文链接:Variational Graph Auto-Encoders
- 代码链接:tkipf/gae
VAE
Variational Auto-Encoder (VAE),变分自编码器,主要由两部分构成,一个Encoder和一个Decoder, 主要用于生成式模型,Encoder把input变成是概率分布,从概率分布中采样得到隐变量Z,Decoder把这个隐变量Z变成output.
Auto-Encoder (AE),其他步骤与VAE类似,但是Encoder把input直接变成隐变量Z
对于本文,就是要做一个从图的节点特征以及部分边到图的所有边的生成模型。隐变量就是图节点的表示,Encoder就是图节点的编码器,Decoder就是图的边生成器。
GAE
GAE是GCN在Auto-Encoders (AE)的应用,非常容易理解,