.png){kind=icon}
返回
Importance weighted variational graph autoencoder
.png){kind=icon}
OA
AI
DOI：10.1007/s40747-025-02144-9.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
变分图自编码器（VGAE）是用于学习图数据分布的一种广泛研究的模型。目前，基于VGAE的方法中的近似后验分布过于严格，导致变分下界与图数据的对数似然之间存在显著差距。这一局限性降低了这些基于VGAE模型的表示能力。为解决此问题，本文提出了重要性加权的变分图自编码器（IWVGAE），并提供了理论依据。该方法通过蒙特卡洛采样使后验分布更灵活，并在反向传播过程中为似然梯度分配重要性权重。通过这种方式，IWVGAE实现了更灵活的优化目标，使图数据能够学习更丰富的潜在表示。它不仅实现了理论上更紧的变分下界，还使图密度估计更准确。在七个经典图数据集上的大量实验结果表明，随着从近似后验分布中采样的数量增加，（1）变分下界持续改进，验证了所提出的理论，（2）下游任务的性能显著提升，证明了图数据更有效的学习和表示。
Keyword:
Graph neural networks
Variational graph autoencoder
Variational inference
Importance weighted
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.6
论文数:
2.1K
被引数:
6.6K
机构
引用论文
Improving Variational Graph Autoencoders With Multi-Order Graph Convolutions用多阶图卷积改进变分图自编码器.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏Variational graph neural network with diffusion prior for link prediction具有扩散先验的变分图神经网络在链路预测中的应用APPLIED INTELLIGENCEOAAI
APPLIED INTELLIGENCEIF3.5
OAAI分享收藏Disentangled Graph Variational Auto-Encoder for Multimodal Recommendation With Interpretability可解释的多模态推荐的去耦图变分自编码器OAAI
OAAI分享收藏 没有更多内容
没有更多内容