《Variational Graph Auto-Encoders》学习

已于 2024-03-25 16:48:04 修改
阅读量260 收藏 3
点赞数 4
文章标签： 学习 机器学习 聚类 人工智能
于 2024-03-25 14:10:56 首次发布
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/m0_46114999/article/details/137008028
版权

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

在这里插入图片描述

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。

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

μ和σ的GCN层在第一层layer共享参数W0 应该算是个超参
在这里插入图片描述
在这里插入图片描述

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。
    在这里插入图片描述
    在这里插入图片描述
    σ(*)是sigmoid

Learning

在这里插入图片描述
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
Flame5376
关注
【NIPS 2016图神经网络论文解读】Variational Graph Auto-Encoders (VGAE) 基于VAE的图变分自编码器
捡起一束光的博客
12-25 5871
Thomas N. Kipf大佬不仅是这篇VGAE的作者，而且还是大名鼎鼎GCN模型的作者。 VGAE是GCN在Variational Graph Auto-Encoders (VAE)的应用。
论文解析：Variational Graph Auto-Encoders
da_kao_la的博客
03-09 2745
论文：Variational Graph Auto-Encoders阅读笔记 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...
【论文阅读】Variational Graph Auto-Encoder
飞跃大海的猪
01-07 1683
论文阅读笔记《Variational Graph Auto-Encoder》
【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...
论文笔记：Variational Graph Auto-Encoders
qq_44015059的博客
06-03 7313
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
【论文阅读】Variational Graph Auto-Encoders(VGAE) | day10、11
qq_41821608的博客
01-27 2361
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
VGAE（Variational graph auto-encoders）论文及代码解读
瞳瞳瞳呀
08-09 8713
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
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
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，并且已安装所需的模块。 我们已在“ ./data”中以正确的形式提供了训练数据，并且...
Variational Graph Auto-Encoders论文笔记
昼
11-11 886
Variational Graph Auto-Encoders论文链接原理Inference model 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 这一部分采用的是一个两层的GCN，用公式表达即： GCN(X,A)=A~ReLU(A~XW0)W1 GCN(X,A) = \tilde A ReLU (\t
自动编码器python代码_Graph Auto-Encoders 在TensorFlow中实现图形自动编码器
weixin_36070282的博客
02-05 1175
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...
图自编码器的起源和应用
DeepRoad
03-10 2278
此文章同步发布于 paperweekly 图自编码器的起源和应用 0. 介绍 Kipf 与 Welling 16 年发表的「Variational Graph Auto-Encoders」提出了基于图的（变分）自编码器 Variational Graph Auto-Encoder（VGAE），自此开始，图自编码器凭借其简洁的 encoder-decoder 结构和高效的 encode 能力，在很多...
NeurIPS 2016 | VGAE：变分图自编码器
KI的博客
07-12 2528
NeurIPS 2016 | VGAE：变分图自编码器
[论文精读]Variational Graph Auto-Encoders
Sherlily的博客
07-01 984
计算机-人工智能
图自编码器（GAE）与变分图自编码器（VGAE）
小鱼的小窝
10-10 6869
在学习图自编码器之前先了解一下自编码器与变分自编码器。
深入理解变分图自编码器（VGAE）：原理、特点、作用及实现
最新发布
qq_42754434的博客
07-09 1412
图神经网络（Graph Neural Networks, GNNs）在处理图结构数据方面展现出强大的能力。其中，变分图自编码器（Variational Graph Auto-Encoder, VGAE）是一种无监督学习模型，广泛用于图嵌入和图聚类任务。本文将深入探讨VGAE的原理、特点、作用及其具体实现。
深度学习基础----GAE和VGAE
weiwei935707936的博客
08-21 1890
GAE和VGAE快速入门
图神经网络
qq_50506194的博客
06-01 425
需要注意的是，不同的GNN模型可能有不同的具体实现细节和变体，如图卷积网络（Graph Convolutional Networks，GCNs）、GraphSAGE、GAT（Graph Attention Networks）等。通过学习图数据中的节点之间的关系和结构，GNNs能够有效地进行图分析和图学习任务。图自编码器（Graph Autoencoder）是一种用于图数据的无监督学习模型，用于学习图结构中的隐藏表示。节点的表示可以逐步地通过邻居节点的信息进行传播和更新，从而捕捉图数据中的结构和关系。
算法学习（二十）——GAE
星之所望的博客
09-13 5326
全称是generalized advantage estimator，几乎所有最先进的policy gradient算法实现里面都使用了该技术，适合高维状态，一般都是PPO+GAE。 该算法主要改进在于对A的估计。 优势函数可以写成如下： 一步的优势函数进一步展开为： 其中V 的值都是估计的，因此A的估计存在偏差。 优势函数的2步估计及无穷步估计分别为： 可以看到，随着步数的增加，V的比重逐渐减少，所以不准确的影响也在逐渐减少。 GAE的方法是改进对优势函数的估计，将偏差控制...
2016-Variational Graph Auto-Encoders
edwinhaha的博客
01-11 3109
目录1 A latent variable model for graph-structured data1.1 Definitions1.2 Inference model1.3 Generative model(生成模型)1.4 Learning1.5 Non-probabilistic graph auto-encoder (GAE) model2 Experiments on link ...
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...
评论 1
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