摘要

图是建模关系数据的基本抽象。然而，图本质上是离散和组合的，这为学习适用于机器学习任务的表示带来了统计和计算上的挑战。在本研究中，我们提出了一种名为Graphite的算法框架，用于利用深度潜在变量生成模型在大规模图上进行无监督节点表示学习。我们的模型使用图神经网络对变分自编码器（VAE）进行参数化，并采用一种受低秩近似启发的新颖迭代图细化策略进行解码。在多种合成数据集和基准数据集上，Graphite在密度估计、链接预测和节点分类等任务中均优于其他竞争方法。最后，我们推导了图神经网络中的消息传递与平均场变分推理之间的理论联系。