论文解析：Variational Graph Auto-Encoders
- 作者：Thomas N. Kipf, Max Welling, 和GCN的作者是一样的
- 会议：Bayesian Deep Learning Workshop (NIPS 2016), NIPS的一个workshop，不是长文
- 论文链接：Variational Graph Auto-Encoders
- 代码链接：tkipf/gae
VAE
Variational Auto-Encoder (VAE)，变分自编码器，主要由两部分构成，一个Encoder和一个Decoder, 主要用于生成式模型，Encoder把input变成是概率分布，从概率分布中采样得到隐变量Z，Decoder把这个隐变量Z变成output.
Auto-Encoder (AE)，其他步骤与VAE类似，但是Encoder把input直接变成隐变量Z
对于本文，就是要做一个从图的节点特征以及部分边到图的所有边的生成模型。隐变量就是图节点的表示，Encoder就是图节点的编码器，Decoder就是图的边生成器。
GAE
GAE是GCN在Auto-Encoders (AE)的应用，非常容易理解，隐变量Z就是图上的N个节点经过GCN后的N*F维特征，Encoder就是两层GCN, Decoder就是向量点积。可以将隐变量Z理解为某种意义上图的节点的相似度，通过向量点积得到的两个图节点的相似度越大，则两个节点之间存在边的概率越大
VGAE
GAE是GCN在Variational Graph Auto-Encoders (VAE)的应用。Encoder用两个两层GCN分别得到N个均值和标准差，这两个GCN会共享第一层的参数，从而得到N个正态分布。Decoder仍然是向量点积
损失函数
对于每个边，VAE会生成一个预测值，与真实值(0/1, 0代表无边，1代表有边）之间的交叉熵函数就是损失函数
实验
本文的实验通过在图学习三大经典数据集：Cora, Citeseer, Pubmed上扔掉一些边来构造数据集，然后预测扔掉的边是否存在。评价指标是AUC和Precision. 对比方法是图谱方法和DeepWalk, 都是图学习领域的经典baseline. 实验结果入下图所示：
