CVPR2020： DBGAN Distribution-induced Bidirectional Generative Adversarial Network for GRL

talk

这篇文章去年就看过，但是当时没有写笔记的习惯，看了就忘了，只记得采用了生成对抗+原型。今天回过头来看看

摘要

这篇文章是自编码器的结构，叙述的方法也是按照 AE那边来进行描述图表征学习。
已有的图表征学习方法忽略了数据的分布和噪声。使得过拟合，测试结果精度下降。本文提出DBGAN。 分布-induced 的双向生成对抗网络
先验不是使用 正态分布，而是通过一个结构感知的方式，通过原型学习隐式地将图和特征联系起来。双向对抗学习框架保留了sample-level和分布-level的一致性。

1.介绍

无监督早期工作 LINE Deepwlk等。+ GAE+SDNE+DNGR+GALA+MGAE。
作者说上面文章没有同时 重构特征矩阵+邻接矩阵。没有同时保留节点特征+graph（拓扑）信息。
同时 没有显式地去探索latent分布，因此分布一致性无法保证，导致了泛化能力差，易受到噪声。
本文不但把GAN思想用到encoder，同时decoder也用了。因此建立了双向映射的过程。
同时为了保留结构一致性，采用了先验分布评估，通过跨域原型。

关注点： 原型先验评估+双向对抗学习中 sample-level和分布-level一致性

2.相关工作

介绍GAN，21年之后很少看到了

3.方法

预备知识：无监督图表征学习