【KDD2020】基于节点-边缘协同解纠缠的可解释深图生成，Interpretable Deep Graph Generation with Node-edge Co-disentanglement

题目： Interpretable Deep Graph Generation with Node-edge Co-disentanglement

摘要：

解纠缠表示学习近年来受到了广泛的关注，特别是在图像表示学习领域。然而，学习图背后的解纠缠表示在很大程度上仍未探索，特别是对于同时具有节点和边缘特征的属性图。图生成的解纠缠学习具有实质性的新挑战，包括

• 缺乏对节点和边缘属性联合解码的图反褶积操作;
• 各影响因素之间的潜在因素难以解除:i)节点;ii)只有边缘;iii)它们之间的联合模式。

为了解决这些问题，提出了一个新的属性图深层生成模型的解纠缠增强框架。特别地，提出了一种新的变分目标来解开上述三种潜在因素，并具有新的节点和边缘反褶积结构。此外，在每种类型中，个体因素的分离进一步增强，这被证明是对现有图像框架的一般化。在综合数据集和真实数据集上的定性和定量实验证明了该模型及其扩展的有效性。