用于子图预测的深度生成模型
原文中文，约300字，阅读约需1分钟。发表于：。本研究解决了深度图学习中的子图查询任务，此任务不同于传统的基于单一组件的图预测，能够联合预测目标子图的多种组成部分。通过引入变分图自编码器(VGAE)和贝叶斯优化，本研究提出了一种新颖的基于概率的深度生成模型，在多项基准数据集上表现出优越的预测性能，AUC分数提升幅度达到0.06到0.2点。
本文介绍了subgraph2vec，一种用于学习大型图形中根节点子图潜在表示的新方法。该方法与不同分类器相结合，实现了显著优越的准确度。实验结果显示，subgraph2vec在监督和无监督学习任务中都显著提高了图形核方法的准确性。
