本文介绍了解缠图自编码器（DGA）和变分解缠图自编码器（DVGA），通过多通道信息传递层和独立性约束，提升了生成模型的解缠表示能力。实验结果显示，该方法在合成和真实数据集上表现优越，尤其在链接预测任务中显著提高了预测性能。

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。