Efficient Graph Generation with Graph Recurrent Attention Networks
概
一种图的生成方法.
符号说明
- , 图;
- , ordering, 某种 permutation;
- , 根据 ordering 所唯一确定的邻接矩阵;
GRAN
-
我们希望根据已有的一些图 来建模 并从中采样图, 这实际上要要求我们建模 .
-
本文首先针对的是无向图, 即此时 应当是对称的, 于是, 我们所需要做的实际上只有构建它的下三角矩阵 了, 一旦得到 , 我们便可以得到 (without self-loop).
-
GRAN 每一层生成 的开始 B 行, 即
其中 .
-
于是乎, 我们实际上要建模的是:
-
建模 具体的做法如下:
-
生成初始的 node representations:
这里 表示 的向量, 其中 表示人为给定的最大的 graph size.
-
我们利用 GNN 来建模 augmented graph :
其中 是经过 轮后的隐变量便是, 为 binary mask 表示 node 是否在之前的 个结点中. 是 node 的一阶邻居, 我不确定是不是根据 定义的. -
接着, 我们可以通过 mixture Bernoulli distributions 来建模:
-
-
优化那一块请回看原文.
【推荐】国内首个AI IDE,深度理解中文开发场景,立即下载体验Trae
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· Manus重磅发布:全球首款通用AI代理技术深度解析与实战指南
· 被坑几百块钱后,我竟然真的恢复了删除的微信聊天记录!
· 没有Manus邀请码?试试免邀请码的MGX或者开源的OpenManus吧
· 园子的第一款AI主题卫衣上架——"HELLO! HOW CAN I ASSIST YOU TODAY
· 【自荐】一款简洁、开源的在线白板工具 Drawnix
2022-05-25 Neural Factorization Machines for Sparse Predictive Analytics