本研究使用VGAE模型预测组织特异性基因基因相互作用网络的链接，整合基因甲基化和RNA测序数据提高了链接预测准确率至71％。该研究为生物信息学中多组学整合研究提供了新的见解。

这篇文章介绍了一个名为SE-VGAE的无监督分离表示学习框架，用于生成以属性连接的多图形式的建筑布局。研究者通过优化数据集和实验，深入研究了基于图形数据的建筑设计表示空间。该研究将无监督的分离表示学习应用于建筑布局图生成任务中。

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。