图神经网络——Graph Auto-encoders
作者：互联网
1. 传统的Auto-Encoders
传统的自动编码机是一个神经网络，它包含一个编码层和一个解码层。编码层将一个点X作为输入，将他转换成一个低维的特征 embedding Z。 解码是将低维的特征表示Z返回成一个重新构建的原始输入 X-hat，尽量使X-hat跟X相似。
下面是手写数字识别的例子：
损失函数：
为什么我们要将输入转化成一个低维的特征？
以图象为例子，将图像存在低维空间可以节省很多存储空间。对于计算也可以节省计算消耗。
通过加入噪音，增加样本。
。
2. Variational Autoencoders
为什么我们需要Variational Autoencoders？
Variational Avtoencoder的最大好处是特能够通过原始数据产生新的数据。而传统的Auto encoder只能够通过原始数据产生相似的数据。
主要思想：
它先学习所有的样本的分布，然后根据这个分布随机产生新的样本。
Encoder 以一个点X作为输入，产生均值 
和 
。 用 
是因为它有正有负。 在得到均值和方差后，我们试着让均值为0方差为1， 因此最终的分布将会接近 N（0，1）.
最后我们产生新的embedding Z 从均值和标准差上， 
， 
，根据潜在变量Z， 我们可以通过译码产生新的X-hat。
损失函数：
这个损失函数分为两部分。
第一部分表示产生的新的数据与输入的数据的差别，差别越大，损失函数越大。
第二部分表示调节。他表示近似与真实后验的KL散度，也就是输出分布 (qφ(z|x))与真实后验 p(z)的差别。
3. Variational Graph Autoencoders
结构框架
输入是一个邻接矩阵和一个特征矩阵，产生潜变量Z， 最后输出是一个新的邻接矩阵。
第一个gcn层产生一个新的低维得特征矩阵。
第二层GCN产生
将两层合并，得到均值和标准差，
。
然后我们产生Z，
解码是通过潜在变量Z的内积，输出是一个新的邻接矩阵，
， sigmoid函数。
总之，编码是：
解码是：
。
损失函数：
使用内积解码是因为邻接矩阵每一行代表一个个体，内积可以计算两个向量的cosine相似性， 对于衡量两个向量的距离很有效。
转载：https://www.cnblogs.com/xinyuePhd/p/12720166.html
标签：encoders,函数,产生,Graph,解码,均值,邻接矩阵,Auto,Variational 来源： https://www.cnblogs.com/zsh-sinx/p/13984260.html