Adversarially Regularized Graph Autoencoder for Graph Embedding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1.2k 收藏 1
点赞数
分类专栏： GAN 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/121274522
版权

Adversarially Regularized Graph Autoencoder for Graph Embedding

论文链接

总结

这篇文章将GAN（生成对抗网络）加入到了GAT中，根据base-encoder的不同，提出了adversarially regularized graph autoen-coder(ARGA) 和adversarially regularized vari-ational graph autoencoder(ARVGA),这两种GAE模型。

网络

在这里插入图片描述
分为三部分：encoder（generator）、decoder和discriminator

Encoder

encoder部分非为两种，一个是普通的GAE，也就是单纯的两层GCN卷积后直接获得隐向量 Z Z Z，另外一种是VGAE（笔记),通过学习隐向量 Z Z Z的分布来获得 Z Z Z。

Decoder

decoder部分与GAE和VGAE一样是内积 z z T zz^T z

最低0.47元/天 解锁文章
飞花穿庭
关注
  • 0
    点赞
  • 踩
  • 1
    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」
08-20 541
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。
【阅读笔记】Adversarially Regularized Autoencoders
SrdLaplace的博客
02-26 2140
Adversarially Regularized Autoencoders Kim Y, Zhang K, Rush A M, et al. Adversarially regularized autoencoders[J]. arXiv preprint arXiv:1706.04223, 2017. GitHub: https://github.com/jakezhaojb/ARAE adv...
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：Adversarially Regularized Graph Autoencoder for Graph Embedding
qq_44015059的博客
06-04 3514
前言 大多数现有的嵌入算法通常集中于保留拓扑结构或最小化图数据的重构错误，但它们大多忽略了图中潜在代码的数据分布，这通常导致在现实世界中的图数据嵌入效果较差。由此作者提出了两种基于对抗正则化的图自动编码方法：**即对抗正则化图自动编码器（ARGA）和对抗正则化变图自动编码器（ARVGA）。**实验证明了算法在链接预测，图聚类和图可视化任务方面大大优于baseline。 1. Introduction 首先介绍了一些图类型数据的任务包括节点/图分类、点聚类，由于高计算复杂度，低并行性以及机器学习方法无法用于图
探索未知的边界：Graph Auto-Encoders 实现及应用
最新发布
gitblog_00009的博客
05-13 903
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...
python编码器_Graph Auto-Encoders 在TensorFlow中实现图形自动编码器
weixin_39663605的博客
11-23 239
Graph Auto-EncodersThis is a TensorFlow implementation of the (Variational) Graph Auto-Encoder model as described in our paper:T. N. Kipf, M. Welling, Variational Graph Auto-Encoders, NIPS Workshop on...
An l 12 and Graph Regularized Subspace Clustering Method（论文）
06-01
An l 12 and Graph Regularized Subspace Clustering Method（论文）
Exploring Structural Consistency in Graph Regularized Joint Spectral-Spatial Sparse Coding for Hyperspectral Image Classification
02-22
Exploring Structural Consistency in Graph Regularized Joint Spectral-Spatial Sparse Coding for Hyperspectral Image Classification
Double regularized matrix factorization for image classification and clustering
02-08
Double regularized matrix factorization for image classification and clustering
Weighted mixed-norm regularized regression for robust face identification
02-08
Weighted mixed-norm regularized regression for robust face identification
Nearest-Regularized Subspace Classification for PolSAR Imagery Using Polarimetric Feature Vector and Spatial Information
02-07
Nearest-Regularized Subspace Classification for PolSAR Imagery Using Polarimetric Feature Vector and Spatial Information
2016 NIPS | Variational Graph Auto-Encoders
发呆的比目鱼的博客
08-27 936
2016 NIPS | Variational Graph Auto-Encoders
论文阅读10——《Adversarially regularized joint structured clustering network》
小吴不会敲代码吧
11-23 379
本文分析了文章《Adversarially regularized joint structured clustering network》，作者提出了一种新的对抗正则化联合结构聚类网络(AJSCN)。 为了避免嵌入的自由结构，它被强制遵循一个先验分布。 对于聚类任务，构造了一个联合监督机制，其中包括学习更紧密表示的自我监督和使不同表示趋于一致的相互监督。
Multi-Scale Variational Graph AutoEncoder for Link Prediction
小蚂蚁与大象
07-24 547
首先，我们的模型通过编码器学习不同低维向量表示的多组分布，对每组低维向量表示的分布进行采样，以表示原始复图数据。同时，为了构造新的邻接矩阵，在模型中引入了自监督学习的思想，即利用图自编码器模型结合新的邻接矩阵对节点的特征矩阵进行重新表示，并将重新表示的节点特征矩阵与原始特征矩阵的差异加入到最终的损失函数中。在我们的模型中，通过编码器学习原始数据的低维表示后，加入了重新学习节点特征表示的辅助任务和重建邻接矩阵的主要学习任务(如图2所示)，当数据的特征和拓扑信息不足时，模型也能够很好地学习。...
【GNN五大类 VGAE】（变分图自编码器）：Variational Graph Auto-Encoders
热门推荐
图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖
04-29 1万+
转载阿泽的学习笔记 目录 1.Introduction 2.VGAE 2.1 VAE 2.2 VGAE 2.3 GAE 3.Experiment 4.Conclusion 5.Reference Thomas N. Kipf 的 2016 年的工作《Variational Graph Auto-Encoders》，目前引用量为 260 多。 VGAE 属于图自编码器，是图神...
简单理解Autoencoder(AE)、Variational AutoEncoder(VAE)、Graph Autoencoder(GAE)和VGAE
weixin_43788535的博客
04-11 3252
首先是自动编码器和图自动编码器。自动编码器的主要作用是学习一个东西的主要特征，从高维编码到低维，再从低维解码到高维。衡量编码和解码的好坏就是重构损失，也就是看原始向量和重构向量像不像，一般用交叉熵或者均方误差来衡量损失。而图自动编码器主要是用来学习图的主要特征，更具体来讲是学习每个节点的主要特征。在编码阶段，AE是用全连接层或者卷积层，GAE一般使用的是GCN进行编码，输入是邻接矩阵和节点的特征矩阵，当然特征矩阵也可以没有。在解码阶段有些不同，AE使用的是一个隐层，但是GAE直接用Z*Z的转置来还原图的邻.
Adversarial Autoencoder
秋海棠的歌声
06-06 2571
Adversarial Autoencoder
基于Tensorflow2_goemetric（tfg）的Graph Autoencoder（GAE）实现
weixin_43788535的博客
04-10 425
import os import tensorflow as tf from tensorflow import keras import tf_geometric as tfg from tf_geometric.utils import tf_utils from tf_geometric.utils.graph_utils import edge_train_test_split, negative_sampling # from sklearn.metrics import roc_auc_scor
python怎么导入Regularized Over-Sampling for Imbalanced Data最新版本
04-19
您可以通过以下代码导入Regularized Over-Sampling for Imbalanced Data最新版本： ``` pip install -U imbalanced-learn ``` 然后，您可以使用以下命令导入库并应用ROS（Regularized Over-Sampling）算法： ```python from imblearn.over_sampling import RandomOverSampler X_resampled, y_resampled = RandomOverSampler().fit_resample(X, y) ``` 其中，X是您的特征矩阵，y是类别标签。

“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