.png){kind=icon}
返回
Multi-Scale Signal Modulation for Variational Graph Autoencoders
.png){kind=icon}
PRE
AI
DOI：10.1016/j.artint.2026.104488.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
变分图自编码器（VGAE）因其概率建模的灵活性和表达能力，已成为图表示学习的突出框架。大多数现有的VGAE方法假设节点嵌入的后验分布服从高斯分布，并依赖具有低通滤波特性的图卷积网络来推断后验均值和方差。然而，我们的实证研究发现，方差表现出非平稳的谱特性，表明方差信号与常规推断机制的低通性质之间存在谱不匹配。进一步分析发现，后验均值与方差之间存在谱不对称性，因为它们在节点嵌入中表现出不同的信号分配。受此启发，我们提出了MS-VGAE，一种具有多尺度信号调制的变分图自编码器。具体而言，MS-VGAE利用基于Gabor的小波网络在多个频率尺度上对后验方差进行精细的谱卷积和信号调制。此外，推导出一个紧凑的优化目标，以实现对方差中频带贡献的同质性感知调制。为减少计算开销，我们开发了MS-VGAEcheby，它用切比雪夫多项式近似替换了MS-VGAE中的谱滤波操作。全面的实验结果表明，MS-VGAE在节点聚类和链路预测任务上均取得了满意的表现。此外，MS-VGAEcheby为MS-VGAE提供了高效的替代方案，同时在大图上保持了相当的性能。代码可在https://github.com/GDM-SCNU/MS-VGAE获取。
期刊
A
IF:
4.6
论文数:
98
被引数:
1
机构
引用论文
Graph representation learning based on deep generative gaussian mixture models.png)
NEUROCOMPUTING
OAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏
分享收藏A contrastive variational graph auto-encoder for node clustering一种用于节点聚类的对比变分图自动编码器PATTERN RECOGNITIONOAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏
查看更多内容