Variational Graph AutoEncoder with Wasserstein
convolution
machine learning
vae
graphes
Suite à la discussion avec Julian j’inscris ce que l’on s’est dit.
1 Idée principale
Les VAE avec convolution de graphes (GCN) permettent d’apprendre une représentation latente des noeuds d’un graphe basée sur les interactions entre noeuds.
Objectif : apprendre un même encodeur et donc un espace latent structuré pour clusteriser une collection de réseaux sur la base de la structure. Sous-objectif : pouvoir prendre en compte des covariables (Fused Wasserstein ?).
Principe du VAE:
Soit Y une matrice d’adjacence (ou de bi-adjacence pour les graphes bipartites), X une matrice de covariables.
Soit D_1 la matrice des degrés en ligne, D_2 la matrice des degrés en colonne.
\widetilde{Y} = D_1^{-1/2} Y D_2^{-1/2}