介绍了Kotlin在Spring Boot微服务开发中的实践,并使用Kotlin作为开发语言,介绍了函数式编程思想、Kotlin的语法、Kotlin在常用中间件中的应用,以及其在微服务注册中心、微服务配…
文件：url80.ctfile.com/f/25127180-539050195-d779d6
（访问密码：551685）
以下内容无关：
本文提出一个完全对称的自编码器，其中 解码器 基于 Laplacian sharpening 设计 ，编码器 基于 Laplacian smoothing 设计。此外还设计了一种基于 latent representation 和 affinity matrix 的代价函数。
- Introduction
在机器学习和数据挖掘领域，使用图数据做以下研究：
node clustering
dimensionality reduction
social network analysis
chemical property prediction of a molecular graph
image segmentation
卷积方法产生限制的原因：
Low computational efficiency due to eigendecomposition or singular value decomposition.
Only showing a shallow relationship between nodes.
近年来，一个被称为几何深度学习（ geometric deep learning） 的新兴领域，将深度神经网络模型推广到 非欧几里得域 （ non-Euclidean domains），比如： meshes、 manifolds、 graphs。其中，利用自编码器框架寻找图的 geometrical structures 的深层潜在表示正越来越受到关注。
首先尝试的是 VGAE 它由一个 Graph Convolutional Network (GCN) encoder 和一个 matrix outerproduct decoder 组成，如 Figure 1 (a) 所示。
作为 VGAE 的一种变体，ARVGA 采用了 VGAE 的 adversarial approach。然而 VGAE 和 ARVGA 重建 affinity matrix A，而不是节点 feature matrix X，因此，解码器部分不能是可学习的，故， graphical feature 不能在解码器部分中使用。
之后，提出了 MGAE，它使用具有线性激活函数的堆叠单层图自动编码器和边缘化过程 如 Figure 1 (b)所示。但是， since the MGAE reconstructs the feature matrix of nodes without hidden layers, it cannot manipulate the dimension of the latent representation and performs a linear mapping.