.png){kind=icon}
返回
Adversarial regularize graph variational autoencoder based on encoder optimization strategy
.png){kind=icon}
OA
AI
DOI：10.1007/s10462-024-11068-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图变分自编码器（VAEs）已被广泛用于解决图节点的表示问题。然而，大多数现有的图VAEs侧重于最小化重构损失，忽视了潜在分布中的不确定性以及训练过程中后验塌陷的问题。基于编码器优化策略的对抗性正则化图变分自编码器（MCM-ARVGE）从网络结构和损失函数的角度被提出。MCM-ARVGE引入了一个多维云生成器（MCG），它转换传统的编码器，将高斯分布扩展为高斯云分布。此外，MCM-ARVGE采用对抗性正则化的思想来训练高斯云分布，以减少高斯云分布的随机性。最后，基于高斯云分布，引入了一种有效的云分布不确定性相似度测量方法，以解决后验塌陷问题。实验结果验证了MCM-ARVGE的通用性和有效性，其在图嵌入任务中优于基线模型。
Keyword:
Autoencoder
Adversarial network
Graph embedding
Multi-dimensional cloud
期刊
IF:
13.9
论文数:
6.1K
被引数:
1.9W
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏Graph regularized autoencoding-inspired non-negative matrix factorization for link prediction in complex networks using clustering information and biased random walk基于图正则化自编码器启发式的非负矩阵分解，结合聚类信息和偏置随机游走，用于复杂网络中的链接预测
PREAI
分享收藏
查看更多内容