NeurIPS，全称神经信息处理系统大会(Conference and Workshop on Neural Information Processing Systems)，是一个关于机器学习和计算神经科学的国际会议。该会与国际机器学习大会（ICML）、国际学习表征会议（ICLR）并称“机器学习三大顶会”。在中国计算机学会的国际学术会议排名中，NeurIPS被推荐为人工智能领域的A类会议。据悉，第38届NeurIPS会议，将于2024年12月9日-15日在加拿大温哥华会议中心召开。

论文介绍

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

论文作者：白璐，徐卓，崔丽欣，李明，王悦，Edwin R. Hancock

通讯作者：崔丽欣

论文概述：图自编码器（GAE）是图表示学习的重要工具。本文基于硬聚类、软聚类、子图隔离卷积等策略提出了一种新型层次化聚类图自编码器（即：HC-GAE），并用于学习图数据的结构特征表示（即：图标是）。在编码过程中，本文首先基于硬节点分配将原始图结构分解为一系列相互隔离的子图结构，并将每个子图进一步聚合为粗化节点，并将原始图结构转换为粗化图结构。在解码过程中，本文则采用软节点分配，并通过扩展粗化节点重构原始图结构。本文重新设计了损失函数，用以同时整合来自编码器与解码器的信息。通过在编码与解码过程中分层执行聚合与扩展过程，本文提出的HC-GAE能够有效提取原始图结构的双向多尺度层次化结构特征。此外，由于HC-GAE能够在编码过程中为每个单独的分离子图执行独立的卷积操作，其能够通过阻断不同隔离子图间的节点信息传播而减少经典图神经网络GNN普遍存在的过度平滑问题（Over-smoothing）。HC-GAE可同时应用于节点分类与图分类问题，并在标准数据集的实验中验证了其有效性。