decoder论⽂解析：VariationalGraphAuto-Encoders
论⽂解析：Variational Graph Auto-Encoders
作者：Thomas N. Kipf, Max Welling, 和的作者是⼀样的
会议：Bayesian Deep Learning Workshop (NIPS 2016), NIPS的⼀个workshop，不是长⽂
论⽂链接：
代码链接：
VAE
Variational Auto-Encoder (VAE)，变分⾃编码器，主要由两部分构成，⼀个Encoder和⼀个Decoder, 主要⽤于⽣成式模型，Encoder 把input变成是概率分布，从概率分布中采样得到隐变量Z，Decoder把这个隐变量Z变成output.
Auto-Encoder (AE)，其他步骤与VAE类似，但是Encoder把input直接变成隐变量Z
对于本⽂，就是要做⼀个从图的节点特征以及部分边到图的所有边的⽣成模型。隐变量就是图节点的表
⽰，Encoder就是图节点的编码器，Decoder就是图的边⽣成器。
GAE
GAE是GCN在Auto-Encoders (AE)的应⽤，⾮常容易理解，隐变量Z就是图上的N个节点经过GCN后的N*F维特征，Encoder就是两层GCN, Decoder就是向量点积。可以将隐变量Z理解为某种意义上图的节点的相似度，通过向量点积得到的两个图节点的相似度越⼤，则两个节点之间存在边的概率越⼤
VGAE
GAE是GCN在Variational Graph Auto-Encoders (VAE)的应⽤。Encoder⽤两个两层GCN分别得到N个均值和标准差，这两个GCN会共享第⼀层的参数，从⽽得到N个正态分布。Decoder仍然是向量点积
损失函数
对于每个边，VAE会⽣成⼀个预测值，与真实值(0/1, 0代表⽆边，1代表有边）之间的交叉熵函数就是损失函数
实验
本⽂的实验通过在图学习三⼤经典数据集：Cora, Citeseer, Pubmed上扔掉⼀些边来构造数据集，然后预测扔掉的边是否存在。评价指标是AUC和Precision. 对⽐⽅法是图谱⽅法和DeepWalk, 都是图学习领域的经典baseline. 实验结果⼊下图所⽰：

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。