BriefGPT - AI 论文速递
·
图变分扩散网络实现鲁棒节点表示学习
💡
原文中文，约200字，阅读约需1分钟。
📝
内容提要
本文介绍了一种在超几何空间学习动态图形表示的方法，使用基于理论的时间编码方法的Temporal GNN来建模动态性。设计了基于HVGNN的超几何图像变分自编码器，用于生成具有随机性质的节点表征。引入了超几何正态分布的可重参数采样算法，以提高HVGNN的梯度优化能力。实验结果表明，该方法在现实数据集上的效果优于现有基线。
🎯
关键要点
-
提出了一种在超几何空间学习动态图形表示的方法。
-
使用基于理论的时间编码方法的Temporal GNN来建模动态性。
-
设计了基于HVGNN的超几何图像变分自编码器，用于生成具有随机性质的节点表征。
-
引入了超几何正态分布的可重参数采样算法，以提高HVGNN的梯度优化能力。
-
实验结果表明，该方法在现实数据集上的效果优于现有基线。
➡️
