图表示学习
正版保障 假一赔十 电子发票
￥ 64.8 5.9折 ￥ 109 全新
库存2件
河北廊坊
认证卖家担保交易快速发货售后保障
作者（美）威廉·汉密尔顿
出版社电子工业出版社
ISBN9787121410772
出版时间2021-05
装帧平装
开本16开
定价109元
货号851FF608EA1541AA9DF
上书时间2024-12-19
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
威廉•汉密尔顿（William Hamilton）是麦吉尔大学（McGill University）计算机科学系的助理教授，也是加拿大高等研究院（Canadian Institute for Advanced Research, CIFAR）AI 方向的主席、GraphSAGE 的作者。他专注于图表示学习及其在计算社会科学和生物学中的应用。近年来，他在机器学习和网络科学领域的很好会议发表了20 多篇关于图表示学习的论文，并且参与组织了关于该主题的几次大型研讨会，分享了多份重磅教程。
他的工作获得了多个奖项的认可，其中包括2017 年美国科学院Cozzarelli很好论文奖和2018 年斯坦福大学计算机科学系Arthur Samuel 很好博士论文奖等。
目录
目录
暂时没有目录
内容摘要
从电信网络到量子化学，图结构的数据在自然科学和社会科学中无处不在。在深度学习框架中建立关系归纳偏差对于设计可以从此类数据进行学习、推理和归纳的系统至关重要。近年来，关于图表示学习(Graph Representation Learning，GRL)的研究激增，其中包括用于深图嵌入的技术、卷积神经网络在图结构数据上的泛化，以及受置信度传播算法启发的神经消息传递方法。图表示学习
的这些进展为许多领域带来了近期新的研究成果，其中包括化学合成、三维视觉、推荐系统、间答系统和社交网络分析。
本书提供了一份关于图表示学习的综述。首先，本书讨论图表示学习的目标及图论和网络分析的关键方法论。然后，本书介绍并回顾了学习节点嵌入的方法，包括基于随机游走的方法及其在知识图谱.上的应用。再后，本书对高度成功的图神经网络(GraphNeuralNetwork，GNN)进行了技术上的综合介绍，GNN已成为图数据深度学习领域中占地位且迅速发展的范式。最后，本书总结了针对图的深度生成模型的近期新进展，这是图表示学习新生但发展迅速的子集。
本书关键词:图神经网络、图嵌入、节点嵌入、深度学习、关系型数据、知识图谱、社交网络、网络分析、图信号处理、图卷积、谱图理论、几何深度学习。
主编推荐
图表示学习开山之作；
清华大学教授鼎力推荐；
浙江大学、山东大学、北京邮电大学等多位高校学子精心翻译；
全面剖析图表示学习、图神经网络、图嵌入、节点嵌入、图深度学习等AI领域的前沿进展，探索提升AI的可解释性、健壮性的路径与方法，为AI实现推理、规划、逻辑等表示提供助力。
媒体评论
现在AI面临的问题是缺乏可解释性和鲁棒性。如果未来要做推理、规划、逻辑等表示，万亿级的常识知识图谱、认知图谱和图表示学习是很有帮助的。本书全面、系统地介绍了图表示学习的发展脉络与研究现状，相信能给工业界和学术界的读者带来启发。因此，特别建议大家阅读。
清华大学计算机系教授、IEEE Fellow 唐杰
以下为对购买帮助不大的评价