VGAE – المشفّر الذاتي البياني التغايري
Variational Graph Auto-Encoder (2016)
مثل GAE لكن كل عقدة تُشفَّر إلى توزيع غاوسي (متوسط وتباين) بدل نقطة، ويضاف حد KL يقرب التوزيعات من التوزيع المعياري.
الحدس
مثل GAE لكن كل عقدة تُشفَّر إلى توزيع غاوسي (متوسط وتباين) بدل نقطة، ويضاف حد KL يقرب التوزيعات من التوزيع المعياري.
الشرح التفصيلي
يشترك المشفّر في طبقة GCN أولى، ثم طبقتان تخرجان μ وlog σ. تُعاين z_i = μ_i + σ_i ⊙ ε بحيلة إعادة المعلمة، ويُعاد بناء الروابط بالضرب الداخلي. الهدف حد الأدلة الأدنى (ELBO): إعادة البناء ناقص KL. الحد KL ينظم الفضاء الكامن ويجعله أنعم.
في الورقة الأصلية حقق VGAE وGAE نتائج متقاربة على Cora وCiteSeer وPubMed، مع أفضلية لاستخدام الخصائص. يُستخدم في المختبر مع GAE للتنبؤ بالروابط.
البنية المعمارية
GCN مشترك ← GCN_μ وGCN_σ ← إعادة معلمة ← σ(ZZᵀ).
المعادلات
q(z_i\mid X,A)=\mathcal{N}\!\left(z_i\mid\mu_i,\operatorname{diag}(\sigma_i^2)\right),\qquad \mathcal{L}=\mathbb{E}_q[\log p(A\mid Z)]-\operatorname{KL}\!\left(q(Z)\,\Vert\,p(Z)\right)نقاط القوة
- فضاء كامن منتظم احتمالي
- إطار للتوليد
- يقدر عدم اليقين جزئياً
القيود
- قيود GAE نفسها
- التوليد يقتصر على الروابط بين عقد معروفة
- حد KL قد يطمس التفاصيل
التعقيد الحسابي
كـ GAE مع رأسين.
متى تستخدمه
التنبؤ بالروابط مع حاجة لتمثيل احتمالي، أو نقطة بداية لنماذج توليدية.
التنفيذ في PyTorch Geometric
torch_geometric.nn.VGAEشيفرة توضيحية للاستخدام المعتاد؛ راجع توثيق إصدار المكتبة الذي تستخدمه قبل تشغيلها.
تابع التعلّم
نماذج مرتبطة
دروس تشرحه
المراجع
- Kipf, T. N., & Welling, M. (2016). Variational Graph Auto-Encoders. NIPS Workshop on Bayesian Deep Learning. arXiv: 1611.07308الورقة الأصلية لـ GAE وVGAE في التنبؤ بالروابط.
