图神经网络：基础、前沿与应用
全新正版现货
￥ 125.2 7.0折 ￥ 178.8 全新
仅1件
四川成都
认证卖家担保交易快速发货售后保障
作者吴凌飞 崔鹏 裴健 赵亮
出版社人民邮电出版社
ISBN9787115598721
出版时间2022-11
装帧平装
开本128开
纸张胶版纸
定价178.8元
货号29488459
上书时间2024-07-28
商品详情
- 品相描述：全新
- 正版全新
- 商品描述
-
【编辑推荐】:
前沿：图神经网络是机器学习、数据科学、数据挖掘领域新兴的发展方向，被称作图上的深度学习，有望推动第三代人工智能的顺利发展。
丰富：综述图神经网络的基础理论、模拟算法、研究前沿以及广泛和新兴的应用场景
深入：摒弃简单介绍概念与框架的思维，深入分析图神经网络的现状以及未来的调整与机遇，帮助专业人士和初学者知其然知其所以然
力荐：囊括国内AI界半壁江山的大咖联袂推荐
【内容简介】:
本书致力于介绍图神经网络的基本概念和算法、研究前沿以及广泛和新兴的应用，涵盖图神经网络的广泛主题，从基础到前沿，从方法到应用，涉及从方法论到应用场景方方面面的内容。全书分为四部分：部分介绍图神经网络的基本概念；第二部分讨论图神经网络成熟的方法；第三部分介绍图神经网络典型的前沿领域；第四部分描述可能对图神经网络未来研究比较重要和有前途的方法与应用的进展情况。
本书适合高年本科生和研究生、博士后研究人员、讲师以及行业从业者阅读与参考。
【作者简介】:
吴凌飞博士 毕业于美国公立常春藤盟校之一的威廉与玛丽学院计算机系。目前他是Pinterest公司主管知识图谱和内容理解的研发工程经理。曾任硅谷研究中心的shou席科学家和IBM Thomas J. Vatson Research Centerl的高研究员。主要研究方向是机器学习、表征学习和自然语言处理的有机结合，在图神经网络及其应用方面有深入研究。他在机器学习、深度学习等领域的著名会议或期刊上发表100多篇论文。 崔鹏博士 清华大学计算机系终身副教授。于2010年在清华大学获得博士学位。研究兴趣包括数据挖掘、机器学习和多媒体分析，擅长网络表示学习、因果推理和稳定学习、社会动力学建模和用户行为建模等。他在机器学习和数据挖掘领域的著名会议或期刊上发表100多篇论文。 裴健博士 杜克大学电子与计算机工程系教授。他是数据科学、大数据、数据挖掘和数据库系统等领域的研究人员。他擅长为新型数据密集型应用开发有效的数据分析技术，并将其研究成果转化为产品和商业实践。自2000年以来，他已经出版一本教科书、两本专著，并在众多具有影响力的会议或期刊上发表300多篇论文。 赵亮博士 埃默里大学计算科学系助理教授。曾在乔治梅森大学信息科学与技术系和计算机科学系担任助理教授。于2016年在弗吉尼亚理工大学计算机科学系获得博士学位。研究兴趣包括数据挖掘、人工智能和机器学习，在时空和网络数据挖掘、图深度学习、非凸优化、事件预测和可解释机器学习等方面有深入研究。
【目录】:
第 一部分 引言
第 1章 表征学习 2
1.1 导读 2
1.2 不同领域的表征学习 3
1.2.1 用于图像处理的表征学习 3
1.2.2 用于语音识别的表征学习 5
1.2.3 用于自然语言处理的表征学习 7
1.2.4 用于网络分析的表征学习 8
1.3 小结 9
第 2章 图表征学习 11
2.1 导读 11
2.2 传统图嵌入方法 12
2.3 现代图嵌入方法 13
2.3.1 保留图结构和属性的图表征学习 13
2.3.2 带有侧面信息的图表征学习 15
2.3.3 保留高信息的图表征学习 15
2.4 图神经网络 16
2.5 小结 17
第3章 图神经网络 18
3.1 导读 18
3.2 图神经网络概述 19
3.2.1 图神经网络基础 19
3.2.2 图神经网络前沿 20
3.2.3 图神经网络应用 22
3.2.4 本书组织结构 23
3.3 小结 24
第二部分 基础
第4章 用于节点分类的图神经网络 28
4.1 背景和问题定义 28
4.2 有监督的图神经网络 29
4.2.1 图神经网络的一般框架 29
4.2.2 图卷积网络 30
4.2.3 图注意力网络 32
4.2.4 消息传递神经网络 33
4.2.5 连续图神经网络 33
4.2.6 多尺度谱图卷积网络 35
4.3 无监督的图神经网络 37
4.3.1 变分图自编码器 37
4.3.2 深度图信息化 39
4.4 过平滑问题 41
4.5 小结 42
第5章 图神经网络的表达能力 44
5.1 导读 44
5.2 图表征学习和问题的提出 47
5.3 强大的消息传递图神经网络 49
5.3.1 用于集合的神经网络 49
5.3.2 消息传递图神经网络 50
5.3.3 MP-GNN的表达能力 51
5.3.4 具有1-WL测试能力的MP-GNN 53
5.4 比1-WL测试更强大的图神经网络架构 54
5.4.1 MP-GNN的局限性 54
5.4.2 注入随机属性 56
5.4.3 注入确定性距离属性 61
5.4.4 建立高阶图神经网络 65
5.5 小结 69
第6章 图神经网络的可扩展性 71
6.1 导读 71
6.2 引言 72
6.3 抽样范式 72
6.3.1 节点抽样 74
6.3.2 层抽样 76
6.3.3 图抽样 79
6.4 大规模图神经网络在推荐系统中的应用 82
6.4.1 物品-物品推荐 82
6.4.2 用户-物品推荐 83
6.5 未来的方向 84
第7章 图神经网络的可解释性 86
7.1 背景：深度模型的可解释性 86
7.1.1 可解释性和解释的定义 86
7.1.2 解释的价值 87
7.1.3 传统的解释方法 88
7.1.4 机遇与挑战 90
7.2 图神经网络的解释方法 90
7.2.1 背景 91
7.2.2 基于近似的解释 92
7.2.3 基于相关性传播的解释 95
7.2.4 基于扰动的解释 96
7.2.5 生成式解释 97
7.3 图神经网络的可解释模型 97
7.3.1 基于GNN的注意力模型 98
7.3.2 图上的解耦化表征学习 100
7.4 图神经网络解释的评估 101
7.4.1 基准数据集 101
7.4.2 评价指标 103
7.5 未来的方向 103
第8章 图神经网络的对抗鲁棒性 105
8.1 动机 105
8.2 图神经网络的局限性：对抗性样本 107
8.2.1 对抗性攻击的分类 107
8.2.2 扰动的影响和一些启示 110
8.2.3 讨论和未来的方向 112
8.3 可证明的鲁棒性：图神经网络的认证 113
8.3.1 特定模型的认证 113
8.3.2 模型无关的认证 115
8.3.3 高认证和讨论 116
8.4 提高图神经网络的鲁棒性 117
8.4.1 改进图 117
8.4.2 改进训练过程 118
8.4.3 改进图神经网络的架构 120
8.4.4 讨论和未来的方向 121
8.5 从鲁棒性的角度进行适当评估 122
8.6 小结 124
第三部分 前沿
第9章 图分类 128
9.1 导读 128
9.2 用于图分类的图神经网络：典型工作和现代架构 129
9.2.1 空间方法 129
9.2.2 频谱方法 132
9.3 池化层：从节点输出学习图输出 133
9.3.1 基于注意力的池化层 134
9.3.2 基于聚类的池化层 134
9.3.3 其他池化层 134
9.4 图神经网络和高阶层在图分类中的局限性 135
9.5 图神经网络在图分类中的应用 137
9.6 基准数据集 137
9.7 小结 138
第 10章 链接预测 139
10.1 导读 139
10.2 传统的链接预测方法 140
10.2.1 启发式方法 140
10.2.2 潜在特征方法 143
10.2.3 基于内容的方法 145
10.3 基于GNN的链接预测方法 145
10.3.1 基于节点的方法 145
10.3.2 基于子图的方法 147
10.3.3 比较基于节点的方法和基于子图的方法 150
10.4 链接预测的理论 151
10.4.1 γ?C衰减启发式理论 151
10.4.2 贴标签技巧 155
10.5 未来的方向 158
10.5.1 加速基于子图的方法 158
10.5.2 设计更强大的贴标签技巧 159
10.5.3 了解何时使用独热特征 159
第 11章 图生成 160
11.1 导读 160
11.2 经典的图生成模型 160
11.2.1 Erd s-Rényi模型 161
11.2.2 随机块模型 162
11.3 深度图生成模型 163
11.3.1 表征图 163
11.3.2 变分自编码器方法 164
11.3.3 深度自回归方法 168
11.3.4 生成对抗网络方法 174
11.4 小结 178
第 12章 图转换 179
12.1 图转换问题的形式化 179
12.2 节点转换 180
12.2.1 节点转换的定义 180
12.2.2 交互网络 180
12.2.3 时空卷积循环神经网络 181
12.3 边转换 182
12.3.1 边转换的定义 182
12.3.2 图转换生成对抗网络 183
12.3.3 多尺度图转换网络 184
12.3.4 图转换策略网络 185
12.4 节点-边共转换 186
12.4.1 节点-边共转换的定义 186
12.4.2 基于编辑的节点-边共转换 190
12.5 其他基于图的转换 193
12.5.1 序列到图的转换 193
12.5.2 图到序列的转换 194
12.5.3 上下文到图的转换 195
12.6 小结 196
第 13章 图匹配 197
13.1 导读 197
13.2 图匹配学习 198
13.2.1 问题的定义 199
13.2.2 基于深度学习的图匹配模型 200
13.2.3 基于GNN的图匹配模型 201
13.3 图相似性学习 205
13.3.1 问题的定义 205
13.3.2 图-图回归任务 206
13.3.3 图-图分类任务 209
13.4 小结 210
第 14章 图结构学习 211
14.1 导读 211
14.2 传统的图结构学习 212
14.2.1 无监督图结构学习 212
14.2.2 有监督图结构学习 214
14.3 图神经网络的图结构学习 215
14.3.1 图结构和表征的联合学习 216
14.3.2 与其他问题的联系 225
14.4 未来的方向 226
14.4.1 鲁棒的图结构学习 226
14.4.2 可扩展的图结构学习 226
14.4.3 异质图的图结构学习 227
14.5 小结 227
第 15章 动态图神经网络 228
15.1 导读 228
15.2 背景和表示法 229
15.2.1 图神经网络 229
15.2.2 序列模型 230
15.2.3 编码器-解码器框架和模型训练 233
15.3 动态图的类型 233
15.3.1 离散型与连续型 234
15.3.2 演变类型 235
15.3.3 预测问题、内插法和外推法 235
15.4 用图神经网络对动态图进行建模 236
15.4.1 将动态图转换为静态图 236
15.4.2 用于DTDG的图神经网络 238
15.4.3 用于CTDG的图神经网络 240
15.5 应用 242
15.5.1 基于骨架的人类活动识别 243
15.5.2 交通预测 244
15.5.3 时序知识图谱补全 245
15.6 小结 247
第 16章 异质图神经网络 248
16.1 HGNN简介 248
16.1.1 HG的基本概念 249
16.1.2 异质性给HG嵌入带来的独特挑战 250
16.1.3 对HG嵌入发展的简要概述 251
16.2 浅层模型 251
16.2.1 基于分解的方法 252
16.2.2 基于随机游走的方法 253
16.3 深度模型 254
16.3.1 基于消息传递的方法 254
16.3.2 基于编码器-解码器的方法 257
16.3.3 基于对抗的方法 257
16.4 回顾 259
16.5 未来的方向 259
16.5.1 结构和属性保存 259
16.5.2 更深入的探索 260
16.5.3 可靠性 260
16.5.4 应用 261
第 17章 自动机器学习 262
17.1 背景 262
17.1.1 AutoGNN的表示法 264
17.1.2 AutoGNN的问题定义 264
17.1.3 AutoGNN的挑战 265
17.2 搜索空间 265
17.2.1 架构搜索空间 266
17.2.2 训练超参数搜索空间 268
17.2.3 高效的搜索空间 269
17.3 搜索算法 269
17.3.1 随机搜索 269
17.3.2 进化搜索 270
17.3.3 基于强化学习的搜索 270
17.3.4 可微搜索 271
17.3.5 高效的表现评估 272
17.4 未来的方向 273
第 18章 自监督学习 275
18.1 导读 275
18.2 自监督学习概述 276
18.3 将SSL应用于图神经网络：对训练策略、损失函数和代理任务进行分类 277
18.3.1 训练策略 278
18.3.2 损失函数 281
18.3.3 代理任务 283
18.4 节点代理任务 283
18.4.1 基于结构的节点代理任务 284
18.4.2 基于特征的节点代理任务 285
18.4.3 混合代理任务 285
18.5 图代理任务 287
18.5.1 基于结构的图代理任务 287
18.5.2 基于特征的图代理任务 291
18.5.3 混合代理任务 291
18.6 节点-图代理任务 293
18.7 讨论 294
18.8 小结 295
第四部分 广泛和新兴的应用
第 19章 现代推荐系统中的图神经网络 298
19.1 图神经网络在推荐系统中的实践 298
19.1.1 简介 298
19.1.2 预测用户-物品偏好的经典方法 302
19.1.3 用户-物品推荐系统中的物品推荐：二分图的视角 302
19.2 案例研究1：动态的GNN学习 304
19.2.1 动态序贯图 304
19.2.2 DSGL 304
19.2.3 模型预测 307
19.2.4 实验和讨论 308
19.3 案例研究2：设备-云协作的GNN学习 309
19.3.1 提议的框架 309
19.3.2 实验和讨论 312
19.4 未来的方向 313
第 20章 计算机视觉中的图神经网络 315
20.1 导读 315
20.2 将视觉表征为图 316
20.2.1 视觉节点表征 316
20.2.2 视觉边表征 317
20.3 案例研究1：图像 318
20.3.1 物体检测 318
20.3.2 图像分类 319
20.4 案例研究2：视频 320
20.4.1 视频动作识别 320
20.4.2 时序动作定位 322
20.5 其他相关工作：跨媒体 322
20.5.1 视觉描述 322
20.5.2 视觉问答 323
20.5.3 跨媒体检索 324
20.6 图神经网络在计算机视觉中的前沿问题 324
20.6.1 用于计算机视觉的高图神经网络 325
20.6.2 图神经网络在计算机视觉中的更广泛应用 325
20.7 小结 326
第 21章 自然语言处理中的图神经网络 327
21.1 导读 327
21.2 将文本建模为图 329
21.2.1 自然语言处理中的图表征 329
21.2.2 从图的角度完成自然语言处理任务 330
21.3 案例研究1：基于图的文本聚类和匹配 332
21.3.1 基于图聚类的热点事件发现和组织 332
21.3.2 使用图分解和卷积进行长文档匹配 333
21.4 案例研究2：基于图的多跳阅读理解 335
21.5 未来的方向 338
21.6 小结 339
第 22章 程序分析中的图神经网络 341
22.1 导读 341
22.2 程序分析中的机器学习 342
22.3 程序的图表征 343
22.4 用于程序图的图神经网络 345
22.5 案例研究1：检测变量误用缺陷 346
22.6 案例研究2：预测动态类型化语言中的类型 348
22.7 未来的方向 350
第 23章 软件挖掘中的图神经网络 352
23.1 导读 352
23.2 将软件建模为图 353
23.2.1 宏观与微观层面的表征 353
23.2.2 将宏观和微观层面的表征结合起来 354
23.3 相关的软件挖掘任务 355
23.4 软件挖掘任务实例：源代码总结 357
23.4.1 基于GNN的源代码总结快速入门 357
23.4.2 改进的方向 363
23.5 小结 364
第 24章 药物开发中基于图神经网络的生物医学知识图谱挖掘 366
24.1 导读 366
24.2 现有的生物医学知识图谱 367
24.3 知识图谱的推理 369
24.3.1 传统的KG推理技术 370
24.3.2 基于GNN的KG推理技术 371
24.4 药物开发中基于KG的假设生成 374
24.4.1 基于KG的药物再利用的机器学习框架 374
24.4.2 基于KG的药物再利用在COVID-19中的应用 375
24.5 未来的方向 376
24.5.1 KG质量控制 376
24.5.2 可扩展的推理 377
24.5.3 KG与其他生物医学数据的结合 378
第 25章 预测蛋白质功能和相互作用的图神经网络 383
25.1 从蛋白质的相互作用到功能简介 383
25.1.1 登上舞台：蛋白质-蛋白质相互作用网络 384
25.1.2 问题形式化、假设和噪声：从历史的视角 384
25.1.3 浅层机器学习模型 385
25.1.4 好戏上演：图神经网络 386
25.2 三个典型的案例研究 387
25.2.1 案例研究1：蛋白质-蛋白质和蛋白质-药物相互作用的预测 387
25.2.2 案例研究2：蛋白质功能和功能重要的残差的预测 389
25.2.3 案例研究3：使用图自编码器从生物网络的表征中学习多关系链接预测 391
25.3 未来的方向 393
第
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价