Variational Graph Normalized Auto-Encoders

Die Vorhersage von Verbindungen (Link Prediction) stellt eine zentrale Aufgabe bei graphenstrukturierten Daten dar. Mit dem Fortschritt von Graph Neural Networks wurden graphenbasierte Autoencoder (GAEs) und variational graphenbasierte Autoencoder (VGAEs) vorgeschlagen, um Graph-Embeddings auf unsupervisierter Basis zu lernen. Es wurde gezeigt, dass diese Methoden effektiv für Aufgaben der Verbindungsprognose sind. Allerdings erzielen sie bei der Vorhersage von Verbindungen schlechte Ergebnisse, wenn Knoten mit Grad null – also isolierte Knoten – beteiligt sind. Wir haben festgestellt, dass GAEs/VGAEs die Embeddings isolierter Knoten unabhängig von ihren Inhaltseigenschaften stets nahe an den Nullvektor konvergieren lassen. In diesem Artikel stellen wir einen neuartigen Variational Graph Normalized AutoEncoder (VGNAE) vor, der die L2-Normalisierung nutzt, um verbesserte Embeddings für isolierte Knoten zu erzeugen. Wir zeigen, dass unsere VGNAEs die bestehenden State-of-the-Art-Modelle für Aufgaben der Verbindungsprognose übertrifft. Der Quellcode ist unter https://github.com/SeongJinAhn/VGNAE verfügbar.