图表征学习:迈向动态开放环境:towards dynamic and open environments
正版保障 假一赔十 可开发票
￥ 64.71 6.0折 ￥ 108 全新
库存23件
广东广州
认证卖家担保交易快速发货售后保障
作者朱文武，王鑫，张子威著
出版社电子工业出版社
ISBN9787121454868
出版时间2023-07
装帧平装
开本其他
定价108元
货号13097963
上书时间2024-09-02
![创意别册:餐厅:Restaurants:[中英文本]](https://www0.kfzimg.com/sw/kfz-cos/kfzimg/ecbefbbe/6fbda30481799e93_s.jpg)
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
"朱文武 清华大学计算机科学与技术系教授，清华大学人工智能研究院大数据智能中心主任，信息科学与技术国家研究中心副主任，国家973项目首席科学家。欧洲科学院院士、ACM Fellow、IEEE Fellow、AAAS Fellow、SPIE Fellow。曾任微软亚洲研究院主任研究员、英特尔中国研究院首席科学家与总监及美国贝尔实验室研究员等职。主要从事多媒体智能计算、大数据分析等研究工作。曾担任IEEE Transactions on Multimedia主编、指导委员会主席。10次获国际很好论文奖。获2018年度国家自然科学二等奖（排名第1）和2012年度国家自然科学二等奖（排名第2）。 王 鑫 清华大学计算机科学与技术系助理研究员，中国计算机学会多媒体专业技术委员会副秘书长，清华大学博士后校友会秘书处副秘书长。主要研究方向为多媒体智能、媒体大数据、机器学习等，在IEEE TPAMI、ICML、NeurIPS、ACM Multimedia等相关领域国际很好期刊或会议上发表论文100余篇。承担国家优秀青年科学基金等项目，获2017年度中国博士后创新人才支持计划、2020年度ACM中国新星奖、2022年度IEEE TCMC新星奖、2022年度教育部自然科学一等奖。 张子威 清华大学计算机科学与技术系博士后，清华大学数理基科班学士、计算机系博士。主要研究方向为图机器学习，在国际很好期刊和会议上发表论文30余篇，谷歌学术引用超过3000次。曾获清华大学优秀博士毕业生与优秀博士毕业论文、吴文俊人工智能优秀博士学位论文提名，入选百度AI华人新星百强榜单、AI 2000学者榜单、2022年博士后创新人才支持计划。"
目录
第1 章概述/1 1.1 引言/1 1.2 图基础知识/3 1.3 机器学习基础知识/7 第1 篇经典图表征学习 第2 章图嵌入/13 2.1 基于随机游走的图嵌入/13 2.2 基于矩阵分解的图嵌入/18 2.3 基于深度自编码器的图嵌入/21 2.4 本章小结/24 第3 章图神经网络/25 3.1 谱域图神经网络/26 3.2 空域图神经网络/34 3.3 消息传递图神经网络/41 3.4 图池化/47 3.5 本章小结/53 第4 章图表征学习理论分析/54 4.1 图信号处理/54 4.2 图同构测试/58 4.3 图神经网络表达能力/61 4.4 过平滑与深层图神经网络/64 4.5 本章小结/68 第2 篇动态开放环境图表征学习 第5 章鲁棒图表征学习/71 5.1 图数据上的对抗样本/71 5.2 图对抗攻击的分类/73 5.3 图神经网络模型上的攻击与防御方法/75 5.4 本章小结/78 第6 章解耦图表征学习.79 6.1 基于变分自编码器的解耦图神经网络/79 6.2 基于邻域路由机制的解耦图神经网络/81 6.3 基于其他思想的解耦图神经网络/87 6.4 本章小结/90 第7 章动态图表征学习/91 7.1 动态图数据/91 7.2 离散时间动态图表征学习/92 7.3 连续时间动态图表征学习/94 7.4 本章小结/96 第8 章无监督图神经网络与自监督图神经网络/97 8.1 无监督学习的图神经网络/97 8.2 自监督学习的图神经网络/99 8.3 本章小结/106 第9 章图神经网络的可解释性/107 9.1 简介/107 9.2 可解释方法分类/109 9.3 实例级局部解释/110 9.4 模型级全局解释/114 9.5 对解释模型的评价/115 9.6 可解释性的交叉学科应用/117 9.7 本章小结/118 第10 章自动图表征学习/119 10.1 自动机器学习简介/119 10.2 图超参数优化/120 10.3 图神经网络架构搜索/122 10.4 本章小结/132 第11 章元学习与图表征学习/133 11.1 元学习简介/133 11.2 图上的元学习/136 11.3 本章小结/143 第12 章分布外泛化图表征学习/144 12.1 图分布外泛化问题和分类/145 12.2 数据层面方法/148 12.3 模型层面方法/151 12.4 学习策略/155 12.5 理论分析/162 12.6 本章小结/163 第3 篇图表征学习的应用 第13 章推荐系统/167 13.1 通用推荐/168 13.2 序列推荐/176 13.3 本章小结/179 第14 章交通预测/180 14.1 时空图/181 14.2 时空图神经网络模型/181 14.3 本章小结/188 第15 章自然语言处理/189 15.1 文本分类/189 15.2 关系抽取/192 15.3 文本生成/193 15.4 问答系统/196 15.5 其他任务/198 15.6 本章小结/198 第16 章组合优化/199 16.1 简介/199 16.2 预备知识/200 16.3 寻找可行解/201 16.4 本章小结/207 第17 章图表征学习展望/209 参考文献/211
内容摘要
图数据是对万物间联系的一般抽象，广泛存在于各行各业中。图表征学习为图数据的建模与分析提供了新范式，是近年来机器学习与数据挖掘领域的热门研究方向，并被有效地应用于推荐系统、交通预测等众多领域。本书将全面介绍图表征学习，特别是针对处于真实世界动态、开放环境之中图数据的图表征学习方法。本书分为3 篇：第1 篇介绍图嵌入和图神经网络等经典图表征学习方法；第2 篇围绕鲁棒性、动态性、可解释性、分布外泛化性等多个角度，系统地介绍针对动态开放环境中的图表征学习方法；第3 篇以四个不同领域为例，从推荐系统、交通预测、自然语言处理、组合优化等场景，介绍图表征学习的应用方法。除了对代表性方法进行详细介绍，本书还提供了丰富的参考文献，读者可以更深入地学习图表征学习的前沿内容。本书适合具有一定机器学习基础的高年级本科生、研究生、教师和研究者，以及对图数据感兴趣的计算机工程师和从业人员阅读，也适合对人工智能、深度学习和图数据分析感兴趣的其他人士参考。
主编推荐
"清华大学朱文武教授团队全新力作！ 张钹、徐宗本、陈纯院士倾情作序推荐！ 详解图表征学习的基础知识、前沿进展 系统论述图表征学习的动态性、可解释性、鲁棒性和泛化性等热点问题 全面剖析图表征学习在推荐系统、交通预测、自然语言处理、组合优化领域的应用方法"
精彩内容
图数据是对万物间联系的一般抽象，广泛存在于各行各业中。图表征学习为图数据的建模与分析提供了新范式，是近年来机器学习与数据挖掘领域的热门研究方向，并被有效地应用于推荐系统、交通预测等众多领域。本书将全面介绍图表征学习，特别是针对处于真实世界动态、开放环境之中图数据的图表征学习方法。本书分为3 篇：第1 篇介绍图嵌入和图神经网络等经典图表征学习方法；第2 篇围绕鲁棒性、动态性、可解释性、分布外泛化性等多个角度，系统地介绍针对动态开放环境中的图表征学习方法；第3 篇以四个不同领域为例，从推荐系统、交通预测、自然语言处理、组合优化等场景，介绍图表征学习的应用方法。除了对代表性方法进行详细介绍，本书还提供了丰富的参考文献，读者可以更深入地学习图表征学习的前沿内容。本书适合具有一定机器学习基础的高年级本科生、研究生、教师和研究者，以及对图数据感兴趣的计算机工程师和从业人员阅读，也适合对人工智能、深度学习和图数据分析感兴趣的其他人士参考。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价