基于多维云概念嵌入的变分图自编码器研究

变分图自编码器是图嵌入研究中重要的深度学习模型,但存在着先验正态分布缺陷、训练过程中容易出现后验塌陷等问题．本文从建立云概念空间与隐空间的映射关系入手,引入云模型数字特征对网络中的节点进行不确定性概念表示,设计了一种基于多维云模型的变分图自编码器（Variational Graph Autoencoder based on Multidimensional Cloud Model,MCM-VGAE）．该模型实现了隐空间的多维云概念嵌入及相应的漂移性损失度量,将先验分布扩展为泛正态分布,利用多维正向云发生器及云包络带修正采样算法实现了重参数化过程,有效缓解了后验塌陷现象．在应用效果上,模型在多类型数据集上的链路预测、节点聚类、图嵌入可视化实验表现均优于基准模型,进一步说明了方法的普适有效性．     

分布轮廓与局部特征融合的云模型不确定性相似度量

针对当前基于云模型的不确定性相似度量或为精确局部数据的量化计算,或单纯通过其整体几何特征进行度量,导致结果具有较大的片面性问题,综合考虑云模型整体几何特征与微观云滴分布贡献,该文提出了一种分布轮廓与局部特征融合的不确定性相似度量方法,即基于包络带及其云滴贡献度的云模型不确定性相似度量方法(EACCM)。该方法将体现云模型几何特征的包络带(内包络曲线和外包络曲线之间区域)作为相似度量基础,结合其重叠部分包含云滴的贡献度大小建立综合度量模型。仿真结果显示,该方法度量结果更为科学合理,并且有效避免了同一数字特征相差较大或者非常接近时导致的相似性异常问题。