GroupEnc: 具有全局结构保持群损失的编码器
原文中文,约300字,阅读约需1分钟。发表于: 。高维数据的降维表示是一个热门研究领域,本文提出了一种基于变分自编码器和随机四联体损失的深度学习模型,名为 GroupEnc,用于创建具有较少全局结构扭曲的嵌入表示。通过使用公开可用的生物学单细胞转录组数据集,并采用 RNX 曲线进行评估,证实了该方法的有效性。
本文介绍了可变图自编码器(VGAE)框架,用于处理基于变分自编码器(VAE)的图结构数据无监督学习模型。该模型利用潜在变量学习图的可解释的潜在表示。在链接预测任务中,使用图卷积网络(GCN)编码器和内积解码器展示该模型。与其他无监督学习模型相比,该模型能够自然地融入节点特征,从而在多个基准数据集上提高预测性能。