.png){kind=icon}
返回
Efficient Deep Generative Models for Spatial Networks via Spanning Tree Sampler
.png){kind=icon}
PRE
AI
DOI：10.1145/3774416.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在大数据时代，空间-网络数据在许多实际应用中变得越来越重要和流行，范围从微观尺度（例如分子结构）、中观尺度（例如生物神经网络）到宏观尺度（例如移动性网络）。空间网络由嵌入在几何空间中的节点和边组成。尽管对空间网络的生成过程进行建模和理解至关重要，但由于自动建模和区分各种空间和网络语义因素之间的依赖性和相关性存在显著困难，这一任务在很大程度上仍未得到充分探索。此外，包含空间和网络信息使得空间网络的建模具有较大的时间和内存成本，尤其是对于大型图。为解决上述挑战，我们首先从信息瓶颈的角度提出了一种新颖的联合空间-网络解耦表示学习目标，并提出了一种新颖的渐进优化算法来优化不可行的目标。基于此，提出了一种空间-网络解耦变分自编码器（SND-VAE），用于发现空间和网络方面的独立和依赖的潜在因素。为降低时间复杂度，提出了一种高效的SND-VAE-light版本，该版本基于一种新颖的高效空间-网络消息传递神经网络（ES-MPNN）。在合成和真实世界数据集上进行的定性和定量实验，针对不同规模的图大小，证明了所提模型在图生成方面比当前最佳方法高出66.9%，在可解释性方面高出37.3%。此外，ES-MPNN也被证明可将生成模型中编码器的时间复杂度从立方增长降低到线性增长（该工作的实现代码可在https://github.com/xguo7/SND-VAE找到）。
Keyword:
Spatial Networks
Disentangled Representation Learning
Graph Neural Networks
Variational Auto-Encoders
Scalability
期刊
IF:
4.8
论文数:
1.3K
被引数:
4.4K
机构
引用论文
Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition用于基于骨架的动作识别的时空图卷积网络
OAAI
OAAI分享收藏Functional brain connectivity is predictable from anatomic network's Laplacian eigen-structure.png)
NeuroImage
OAAI
NeuroImageIF0
OAAI分享收藏分享收藏DeepSDF: Learning Continuous Signed Distance Functions for Shape RepresentationDeepSDF: 学习用于形状表示的连续符号距离函数
PREAI
分享收藏
查看更多内容