图机器学习
全新正版 极速发货
￥ 70.34 6.5折 ￥ 109 全新
库存44件
广东广州
认证卖家担保交易快速发货售后保障
作者宣琦
出版社高等教育出版社
ISBN9787040576399
出版时间2022-09
装帧平装
开本16开
定价109元
货号1202731828
上书时间2024-11-21
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
宣琦，浙江工业大学网络空间安全研究院院长、教授、博士生导师。入选浙江省院士结对培养青年英才计划、浙江省高校中青年学科带头人、浙江省杰出青年基金获得者，主持国家自然科学基金联合重点项目及多项面上项目。主要从事图机器学习、互联网数据挖掘以及人工智能安全等领域的研究工作，在TKDE、PRE、ICSE、FSE等期刊及会议发表学术论文100余篇。曾赴卡内基梅隆大学、加州大学戴维斯分校、香港城市大学从事博士后和访问学者合作研究。目前任中国人工智能学会社会计算与社会智能、中国指挥与控制学会网络科学与工程等专业委员会委员。
目录
第1章 绪论
1.1 网络科学
1.1.1 神经网络
1.1.2 交易网络
1.1.3 社会网络
1.1.4 互联网
1.2 图数据
1.2.1 图数据的表示
1.2.2 图数据的特征
1.3 图上的机器学习任务
1.3.1 节点分类
1.3.2 链路预测
1.3.3 社团检测
1.3.4 图分类
1.3.5 对抗攻防
1.3.6 数据增强
1.4 图上的机器学习算法
1.4.1 传统方法
1.4.2 图表示学习
1.4.3 图神经网络模型
1.5 -些资源
1.5.1 常用网络数据集网站
1.5.2 本书所使用的图数据集
1.5.3 图数据挖掘常用库
1.5.4 网络可视化工具
参考文献
第2章 节点分类
2.1 节点分类的基本概念
2.1.1 问题描述
2.1.2 评价指标
2.2 基于手动特征的节点分类
2.3 基于图嵌入的节点分类
2.3.1 DeepWalk
2.3.2 node2vec
2.3.3 LINE
2.3.4 SDNE
2.3.5 Graph Factorization
2.3.6 GraRep
2.3.7 HOPE
2.4 基于深度学习的节点分类
2.4.1 GCN
2.4.2 GAT
2.4.3 GraphSAGE模型
2.5 节点分类应用
2.6 本章小结
参考文献
第3章 链路预测
3.1 链路预测的基本概念
3.1.1 问题描述
3.1.2 评价指标
3.2 启发式链路预测方法
3.2.1 局部结构相似性指标
3.2.2 全局结构相似性指标
3.2.3 类局部结构相似性指标
3.3 基于图嵌入的链路预测方法
3.3.1 节点嵌入
3.3.2 连边嵌入
3.4 基于深度学习的链路预测方法
3.4.1 GAE与VGAE
3.4.2 SEAL模型
3.4.3 HELP
3.5 链路预测应用
3.5.1 启发式链路预测方法分析
3.5.2 基于图嵌入和深度学习的链路预测方法分析
3.6 本章小结
参考文献
第4章 社团检测
4.1 社团检测的基本概念
4.1.1 问题描述
4.1.2 评价指标
4.2 传统社团检测算法
4.2.1 快速贪婪算法
4.2.2 标签传播算法
4.2.3 Infomap算法
4.3 深度社团检测算法
4.3.1 GraphEncoder模型
4.3.2 DNGR模型
4.3.3 DANE模型
4.3.4 SDCN模型
4.4 社团检测应用
4.5 本章小结
参考文献
第5章 图分类
5.1 图分类的基本概念
5.1.1 图分类
5.1.2 评价指标
5.2 基于手动特征的图分类
5.3 基于图核的图分类
5.3.1 基于随机游走的图核
5.3.2 基于最短路径的图核
5.3.3 基于WL子树的图核
5.4 基于图嵌入的图分类
5.4.1 subgraph2vec
5.4.2 graph2vec
5.5 基于深度学习的图分类
5.5.1 DGCNN
5.5.2 DiffPool
5.5.3 SAGPool
5.5.4 CapsGNN
5.6 图分类应用
5.7 本章小结
参考文献
第6章 对抗攻击
6.1 对抗攻击的基本概念
6.1.1 问题描述
6.1.2 评价指标
6.1.3 方法分类
6.2 针对节点分类的对抗攻击
6.2.1 NETTACK
6.2.2 基于元梯度的攻击方法
6.3 针对链路预测的对抗攻击
6.3.1 基于RA的启发式攻击方法
6.3.2 梯度攻击方法
6.4 针对社团检测的对抗攻击
6.4.1 启发式攻击方法
6.4.2 基于进化计算的攻击方法
6.5 针对图分类的对抗攻击
6.5.1 基于强化学习的攻击方法
6.5.2 后门攻击方法
6.6 实验和分析
6.6.1 基本实验结果
6.6.2 实验结果可视化
6.7 本章小结
参考文献
第7章 对抗防御
7.1 对抗训练
7.1.1 图对抗训练
7.1.2 平滑对抗训练
7.2 图净化
7.2.1 GCN-Jaccard
7.2.2 GCN-SVD
7.3 注意力机制
7.3.1 惩罚聚合GNN
7.3.2 鲁棒图卷积网络
7.4 鲁棒性验证
7.4.1 节点属性扰动下的鲁棒性验证
7.4.2 图结构扰动下的鲁棒性验证
7.5 对抗检测
7.5.1 基于节点分类的对抗检测
7.5.2 基于图分类的对抗检测
7.6 实验和分析
7.6.1 对抗训练
7.6.2 对抗检测
7.7 本章小结
参考文献
第8章 图数据增强
8.1 社团检测相关的数据增强
8.1.1 基本定义
8.1.2 .基于多目标优化的网络社团结构增强
8.1.3 基于相似性集成的社团检测增强
8.1.4 社团检测增强实验
8.2 图分类相关的数据增强
8.2.1 基本定义
8.2.2 基于结构映射的数据增强
8.2.3 基于子图网络的特征扩充
8.2.4 图分类增强实验
8.2.5 M-Evolve的多任务拓展
8.2.6 SGN的多任务拓展
8.3 节点分类相关的数据增强
8.3.1 基本定义
8.3.2 基于边移除的数据增强
8.3.3 节点分类的增强实验
8.4 本章小结
参考文献
内容摘要
网络图作为一种描述复杂系统结构的通用表征方法，近年来获得了包括生命科学、社会科学、计算机科学以及物理学等诸多领域的关注。本书结合网络图结构进行机器学习算法设计，涉及图嵌入、图神经网络以及对抗攻防和增强等内容。全书共8章：第1章概述了图上的机器学习任务及算法；第2—5章分别介绍了节点分类、链路预测、社团检测、图分类的机器学习任务及算法；第6、7章介绍了对抗攻击下算法的鲁棒性问题，包括对抗攻击和对抗防御；第8章探讨了领域前沿图数据增强技术，利用图数据自身的结构和属性信息拓展特征空间，提升算法性能。相比传统机器学习类书籍，本书聚焦网络图数据；相比图神经网络类书籍，本书更侧重网络图从微观到宏观的分析。
本书可供网络科学、人工智能、社会科学及生物信息等领域的研究生、高年级本科生及青年学者使用，也可供工业界从事互联网、大数据及人工智能等领域工作的工程师参考使用。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价