Variational Graph Auto-Encoders论文笔记

最新推荐文章于 2024-05-13 09:44:38 发布
最新推荐文章于 2024-05-13 09:44:38 发布
阅读量680 收藏 3
点赞数
分类专栏： GNN autoencoder 文章标签： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/eternal_city/article/details/121260787
版权

Variational Graph Auto-Encoders

论文链接

原理

本质上也是autoencoder。文章中的Inference model部分本质上就是autoencoder的encoder部分，而Generative model部分本质上就是decoder部分。

Inference model

概率论理解

在这里插入图片描述
从概率学上来讲，这一部分可以如上表达， q ( z i ∣ X , A ) q(z_i|X,A) q(zi​∣X,A)的分布满足以 μ i \mu_i μi​为均值， σ i 2 \sigma_i^2 σi2​为方差正态分布。所以将所有的 z i z_i zi​拼接在一起就得到了 q ( Z ∣ X , A ) q(Z|X,A) q(Z∣X,A)

网络方式理解

这一部分采用的是一个两层的GCN，用公式表达即：
G C N ( X , A ) = A ~ R e L U ( A ~ X W 0 ) W 1 GCN(X,A) = \tilde A ReLU (\tilde AXW_0)W_1 GCN(X,A)=

最低0.47元/天 解锁文章
飞花穿庭
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
论文解读（NWR）《Graph Auto-Encoder via Neighborhood Wasserstein Reconstruction》
「 虚幻私塾」
08-20 547
图神经网络(GNNs)近年来引起了广泛的研究关注，主要是在半监督学习的背景下。当任务不可知的表示是首选或监督完全不可用时，自动编码器框架与无监督GNN训练的自然图重建目标一起使用。然而，现有的图自动编码器是通过设计来重建直接链路的，因此以这种方式训练的gnn只针对面向邻近的图挖掘任务进行优化，当拓扑结构很重要时就会失败。
VGAE（Variational graph auto-encoders）论文及代码解读
瞳瞳瞳呀
08-09 7871
一，论文来源 论文pdf Variational graph auto-encoders 论文代码 github代码 二，论文解读 理论部分参考： Variational Graph Auto-Encoders（VGAE）理论参考和源码解析 VGAE（Variational graph auto-encoders）论文详解 理论方面其实前面两位大佬说的很好了，这里我只是来阐述两点： 1.测试方法： 模型在数据集的不完整版本上训练，其中部分引用链接(边)已被移除，而所有节点特征被保留。 我们从先前移除的边和相
探索未知的边界：Graph Auto-Encoders 实现及应用
最新发布
gitblog_00009的博客
05-13 911
探索未知的边界：Graph Auto-Encoders 实现及应用 项目地址:https://gitcode.com/tkipf/gae 在这个充满数据的时代，如何有效地挖掘和理解非结构化的图形数据成为了研究热点。而 Graph Auto-Encoders（GAE）便是解决这一问题的利器。本文将向您推荐一个基于 TensorFlow 的 GAE 实现项目，它不仅提供了强大的模型，还易于上手，助力您...
图神经网络必读的​5个基础模型: GCN, GAT, GraphSAGE, GAE, DiffPool.
数据派THU
05-06 4821
来源：机器学习算法那些事 极市平台https://zhuanlan.zhihu.com/p/136521625本文约6000字，建议阅读10分钟本篇文章将从一个更直观的角度对当前经典流行的GNN网络，包括GCN、GraphSAGE、GAT、GAE以及graph pooling策略DiffPool等等做一个简单的小结。“近年来，深度学习领域关于图神经网络（Graph Neural Networks，...
论文笔记：Variational Graph Auto-Encoders
qq_44015059的博客
06-03 6857
前言 本文提出了一种基于图数据类型的无监督学习方法，参考自动编码器(AE)和变分自动编码器(VAE)结合图数据结构的特点，提出了图自动编码器(GAE)和变分图自动编码器(VGAE)。先简单描述一下图自编码器的intention 和用途：获取合适的 embedding 来表示图中的节点不是容易的事，而如果能找到合适的 embedding，就能将它们用在其他任务中。VGAE 通过 encoder-decoder 的结构可以获取到图中节点的 embedding，来支持接下来的任务，如链接预测等。 论文链接：htt
VAE(Variational Autoencoder)的原理
deye1979的专栏
12-21 1990
Kingma, Diederik P., and Max Welling. "Auto-encoding variational bayes."arXiv preprint arXiv:1312.6114(2013). 论文的理论推导见：https://zhuanlan.zhihu.com/p/25401928 中文翻译为：变分自动编码器 转自：http://kvfrans.c...
Variational-Graph-Auto-Encoders:这是2016年贝叶斯深度学习NIPS研讨会上论文``变图自动编码器''的实施
05-18
这是论文“可变图自动编码器”的实现，该论文发表在NIPS 2016 Workshop中。 Thomas N.Kipf，Max Welling，变分图自动编码器，在贝叶斯深度学习NIPS研讨会上，2016年。 如何运行代码？ 确保GPU中有4 GB内存，并且已...
Wasserstein Auto-Encoders 【pdf】
12-20
regularizer than the one used by the Variational Auto-Encoder (VAE) [1]. This regularizer encourages the encoded training distribution to match the prior. We compare our algorithm with several other ...
12.自编码器Auto-Encoders.zip
05-28
自编码器（Auto-Encoder）是一种无监督学习的神经网络模型，主要应用于数据降维、特征提取和数据重建。在本资料中，我们将深入探讨自编码器的基本原理、结构、类型以及其在实际应用中的作用。 自编码器的核心思想是...
Movie-Recommendation-System-Using-Auto-Encoders-and-DNN:混合自动编码器和基于DNN的电影推荐模型
04-08
本项目“Movie-Recommendation-System-Using-Auto-Encoders-and-DNN”着重探讨如何结合自动编码器（Auto-Encoders）与深度神经网络（Deep Neural Networks，DNN）构建一个高效的推荐系统。以下将详细阐述相关知识点...
Variational-Autoencoder-master_VAE_
09-30
vae for variational auto encoder
Python-GraphAutoEncoders在TensorFlow中实现图形自动编码器
08-10
Graph Auto-Encoders 在TensorFlow中实现图形自动编码器
论文笔记：Variational Autoencoders for Top-K Recommendation with Implicit Feedback---（2021）
m0_49315028的博客
07-05 334
VAE--协同过滤
自编码器（autoencoder）了解一下
热门推荐
qq_24407657的博客
09-07 8万+
   自编码器是一种能够通过无监督学习，学到输入数据高效表示的人工神经网络。输入数据的这一高效表示称为编码（codings），其维度一般远小于输入数据，使得自编码器可用于降维。更重要的是，自编码器可作为强大的特征检测器（feature detectors），应用于深度神经网络的预训练。此外，自编码器还可以随机生成与训练数据类似的数据，这被称作生成模型（generative model）。比如，可以...
半监督vae用于情感分类的论文汇总阅读：Variational Autoencoder
lrt366的博客
03-28 4736
1.AAAI-2017-Variational Autoencoder for Semi-Supervised Text Classification 摘要： 虽然半监督变分自动编码器 (SemiVAE) 在图像分类任务中工作, 但如果使用vanilla LSTM作为解码器, 则在文本分类任务中失败。从强化学习的角度出发, 验证了解码器区分不同分类标签的能力是必不可少的。因此, 提出了半......
解读-Stacked Capsule Autoencoders-堆叠的胶囊自编码器-NeurIPS2019
senius的博客
02-14 1737
title: Stacked Capsule Autoencoders-堆叠的胶囊自编码器 date: 2020-02-11 19:18:17 1. 引言 《stacked capsule autoencoders》使用无监督的方式达到了98.5%的MNIST分类准确率。 Stacked Capsule Autoencoders 发表在 NeurIPS-2019，作者团队阵容豪华。可以说是官方...
1.AutoRec: Autoencoders Meet Collaborative Filtering论文解读以及AutoRec代码实现(pytorch)
zhaozhiwei314的博客
01-09 1061
一、论文原文 二、综述 协同过滤模型的目的是利用用户对商品的偏好信息来提供个性化的推荐。AutoRec是一个新型的基于自动编码器的协同过滤模型。论文作者认为AutoRec与现有的将玻尔兹曼机用于协同过滤的神经方法相比具有表征和计算上的优势，并从经验上证明了AutoRec优于当前最先进的方法。 三、自编码器模型 四、AutoRec模型 总体而言 1、模型输入 item-based：每个item用各个user对它的打分作为其向量描述（user-based：每个user用该user对各个item的打分作
基于图卷积网络的图深度学习
weixin_33735077的博客
05-30 158
更多深度文章，请关注云计算频道： https://yq.aliyun.com/cloud 基于图卷积网络的图深度学习 先简单回顾一下，深度学习到底干成功了哪些事情！深度学习近些年在语音识别，图片识别，自然语音处理等领域可谓是屡建奇功。ImageNet：是一个计算机视觉系统识别项目， 是目前世界上图像识别最大的数据库，并且被业界熟知。我们先...
【论文阅读】Variational Graph Auto-Encoders(VGAE) | day10、11
qq_41821608的博客
01-27 2237
Variational Graph Auto-Encoders 变分图自动编码器 - 2016-11-21 文章目录一、模型1.定义2.变分自编码器相关知识3.推断模型-编码器4.生成模型-解码器5.学习过程   变分图自编码器VGAE：使用变分自编码器VAE，针对图结构数据，构建无监督学习模型。利用潜在变量，学习无向图的可解释的潜在表示。   基于引文网络构造的无监督VGAE模型的潜在空间。灰色线条表示引用连接，彩色点表示不同类型的论文。 一、模型   该模型由一个卷积神经网络的编码器，和一个简单的内置
variational graph auto-encoders
03-16
变分图自编码器（Variational Graph Auto-Encoders）是一种用于图形数据的深度学习模型。它使用自编码器的结构来学习图形数据的特征表示，并使用变分推断来学习潜在空间中的概率分布。这种方法可以用于生成新的图形数据，也可以用于图形数据的分类和聚类。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值