Unsupervised Learning of Network Embedding with Variational Autoencoder Framework

This work deals with the study of Variational Autoencoder framework in the context of homophilic graph data and its utility in network embedding. We first propose two model-based architectures to enhance the modeling and generative capacity of Variational Graph Autoencoder (VGAE) by mitigating the effect of over-pruning and explicitly incorporating the larger neighborhood. Afterward, we zoom in on a sub-problem of network embedding, i.e., community-aware network embedding for both homogeneous and heterogeneous graphs. For all the methodologies, we report extensive comparisons with direct SOTA competitors.
Diese Arbeit befasst sich mit der Untersuchung des Variational Autoencoder Frameworks im Zusammenhang mit homophilen Graphdaten und dessen Nutzen für die Netzwerkeinbettung. Wir schlagen zunächst zwei modellbasierte Architekturen vor, um die Modellierungs- und Generierungskapazität des Variational Graph Autoencoder (VGAE) zu verbessern, indem wir den Effekt des Over-Pruning abmildern und die größere Nachbarschaft explizit einbeziehen. Anschließend gehen wir auf ein Teilproblem der Netzwerkeinbettung ein, nämlich die Community-bewusste Netzwerkeinbettung sowohl für homogene als auch für heterogene Graphen. Für alle Methoden werden ausführliche Vergleiche mit direkten SOTA-Konkurrenten durchgeführt.