现看看VGAE运行原理,再对比和GAE的区别,思考对于下一个模型的启发
Inference Model
- 基础图卷积网络 : 第一个图卷积层,用于将输入的节点特征转换为中间隐藏表示。它使用稀疏邻接矩阵和节点特征作为输入。
- 均值图卷积网络 : 第二个图卷积层,用于将基础图卷积网络的输出转换为隐空间的均值向量。这个均值向量代表了每个节点在隐空间中的位置。
- 对数标准差图卷积网络 : 与gcn_mean并行的另一个图卷积层,用于生成隐空间的对数标准差向量。这个向量用于控制隐空间采样的分散程度。
μ和σ的GCN层在第一层layer共享参数W0 应该算是个超参
Generative Model
- 点积解码 : 一个简单的解码器,通过计算隐表示向量的点积并应用sigmoid函数来预测原始图的邻接矩阵。
σ(*)是sigmoid
Learning
先验还是N(0,I)
对于稀疏的A,在L中重新加权Aij=1/0的子样可能是有益的
和GAE对比
- 引入隐变量的概率分布