17、负责任的图神经网络：图自编码器详解

负责任的图神经网络：图自编码器详解

1. 图自编码器概述

图自编码器（GAEs）是一种强大的工具，用于将输入图的特征投影到一个新的表示（即潜在表示）中，从而执行自编码操作。这种潜在表示比原始输入表示具有更有价值的属性，主要包括：
1. 数据可分离性 ：潜在信息更易于分类。
2. 低维度 ：潜在表示的维度低于输入空间。
3. 数据混淆 ：出于安全或隐私目的对数据进行混淆。

GAEs由两个具有不同功能的构建模块组成：编码模块和解码模块。

1.1 编码模块

编码模块$\phi_g(\cdot)$（简称编码器）接收以邻接矩阵和特征矩阵形式的图输入，然后使用任何图网络（如图卷积、图注意力等）将此输入编码为潜在表示。以下是用于构成GAE编码器部分的图卷积层的代码实现：

import torch
from torch import nn
import torch.nn.functional as F
import numpy as np

class GraphConvolution(nn.Module):
    """Basic graph convolution layer for undirected graph without edge labels."""
    def __init__(self, input_dim, output_dim, dropout, device):
        super(GraphConvolut