《Unsupervised Hyperbolic Representation Learning via Message Passing Auto-Encoders》笔记

序号	名称	年份	关键词	存在问题（背景）	贡献	行文逻辑
13	Unsupervised Hyperbolic Representation Learning via Message Passing Auto-Encoders	2021	Unsupervised、Auto-Encoders	无监督	其整体的自编码是在双曲空间中进行的。在信息传过程中利用双曲几何对网络进行自动編码。经过大量的定量和定性分折，验证了非监督双曲线表示的好处。网络结构如下： 编码器和解码器各有两层，其双曲空间为双曲面。这个图描述了三件事：1)图的节点（红点）如何和它的邻居（黄点）传递信息，2)将编码器的输出嵌入双曲面潜空间（蓝紫色空间）的过程，3)在解码器末端重建欧氏节点属性。	从通过在Hy-Perbolic空间中传递的自动编码器传递自动编码器的几何感知消息派生了。然后，我们进行了广泛的实验，并分析了双曲线空间中的低维潜在表示。实验结果支持结论，利用双曲几何形状可以提高无监督任务的性能;节点群集，链接预测和映像群集。我们ob-setted，所提出的方法可以产生反映具有分层结构的视觉数据集的潜在结构的无监督的双曲图像嵌入。最后，我们证明可以利用来自样本的原点的双曲线距离来确定分类器的泛化能力至关重要的附加数据