HC-GAE: The Hierarchical Cluster-based Graph Auto-Encoder for Graph Representation Learning

本文提出了一种新的基于层次聚类的图自编码器(HC-GAE)，用于学习图表示。在编码过程中，使用硬节点分配将样本图分解为一系列独立的子图，并将每个子图压缩为一个粗略节点，从而将原始图转换为粗略图。在解码过程中，使用软节点分配通过扩展粗略节点来重构原始图结构。通过在解码过程中分层执行上述压缩和扩展过程，HC-GAE能够有效地提取原始样本图的双向层次结构特征。此外，重新设计的损失函数可以整合来自编码器或解码器的信息。由于所提出的HC-GAE的关联图卷积操作仅限于每个单独分离的子图，并且不能在不同子图之间传播节点信息，因此可以显著减少经典卷积型GAE中出现的过度平滑问题。HC-GAE可以生成有效的节点分类或图分类表示，并在真实数据集上进行了实验验证。

本文旨在开发一种新的层次聚类图自编码器（HC-GAE），用于学习图形数据分析的有效结构特征。该模型试图解决图卷积自编码器中存在的过度平滑问题。

本文提出了一种新的编码和解码过程，使用硬节点分配将样本图分解为一系列分离的子图，并将每个子图压缩成一个粗糙的节点，从而将原始图形转换为粗糙图形。在解码过程中，使用软节点分配来扩展压缩的节点，以重构原始图形结构。通过在解码过程中进行上述压缩过程的层次化执行以及在解码过程中进行扩展过程，HC-GAE可以有效地提取原始样本图的双向分层结构特征。

本文的亮点包括重新设计的损失函数，可以整合来自编码器或解码器的信息，并且在每个独立的子图中限制相关图卷积操作，从而显着降低了经典卷积型GAE中出现的过度平滑问题。实验结果表明，HC-GAE可以为节点分类或图分类生成有效的表示，并在真实数据集上展示了其有效性。

在这个领域最近的相关研究包括Graph Convolutional Network (GCN)、GraphSAGE和Diffusion Convolutional Recurrent Neural Network (DCRNN)。