Key points are not available for this paper at this time.
Nous introduisons l'auto-encodeur graphique variationnel (VGAE), un cadre d'apprentissage non supervisé pour des données structurées en graphes basé sur l'auto-encodeur variationnel (VAE). Ce modèle utilise des variables latentes et est capable d'apprendre des représentations latentes interprétables pour des graphes non dirigés. Nous démontrons ce modèle en utilisant un encodeur à réseau de neurones convolutifs graphiques (GCN) et un décodeur à produit intérieur simple. Notre modèle atteint des résultats compétitifs sur une tâche de prédiction de liens dans des réseaux de citations. Contrairement à la plupart des modèles existants pour l'apprentissage non supervisé sur des données structurées en graphes et la prédiction de liens, notre modèle peut naturellement incorporer des caractéristiques de nœuds, ce qui améliore considérablement les performances prédictives sur plusieurs ensembles de données de référence.
Kipf et al. (Mon,) ont étudié cette question.