图数据挖掘(算法安全与应用)/计算机与智能科学丛书
全新正版 极速发货
￥ 69.59 7.1折 ￥ 98 全新
库存2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、阮中远、闵勇 著
出版社清华大学
ISBN9787302637141
出版时间2023-07
装帧平装
开本其他
定价98元
货号31822023
上书时间2024-05-27
商品详情
- 品相描述：全新
- 商品描述
-
目录
目 录
第1章 基于多通道图神经网络的信息源估计1
1.1 介绍1
1.2 相关工作5
1.2.1 信息扩散模型5
1.2.2 信息源检测6
1.2.3 图神经网络7
1.3 准备工作8
1.4 多通道图神经网络10
1.4.1 输入的特征指数11
1.4.2 图卷积网络14
1.4.3 MCGNN的体系结构15
1.4.4 损失函数17
1.5 实验17
1.5.1 数据集和实验装置17
1.5.2 基线和评估指标18
1.5.3 合成网络的结果20
1.5.4 现实世界网络的结果23
1.6 本章小结26
第2章 基于超子结构网络的链路预测器27
2.1 引言27
2.2 现有的链路预测方法29
2.2.1 启发式方法29
2.2.2 基于嵌入的方法31
2.2.3 基于深度学习的模型32
2.3 模型介绍33
2.3.1 问题表述33
2.3.2 邻域归一化34
2.3.3 构建HSN35
2.3.4 HELP37
2.4 实验分析39
2.4.1 数据集39
2.4.2 链路预测方法的比较40
2.4.3 评价指标40
2.4.4 实验设置41
2.4.5 链路预测结果41
2.4.6 参数的敏感性45
2.5 本章小结46
第3章 基于子图网络的宽度学习图分类方法47
3.1 介绍48
3.2 相关工作49
3.2.1 子图网络49
3.2.2 网络表示50
3.2.3 宽度学习50
3.3 子图网络51
3.3.1 一阶子图网络52
3.3.2 二阶子图网络53
3.4 采样子图网络55
3.4.1 采样策略55
3.4.2 构建S2GN58
3.5 基于S2GN的BLS分类器59
3.5.1 图分类59
3.5.2 BLS分类器59
3.5.3 分类框架62
3.6 实验62
3.6.1 数据集62
3.6.2 网络表示63
3.6.3 基于SGN的图分类64
3.6.4 基于S2GN的图分类65
3.6.5 计算复杂度67
3.7 总结与展望68
第4章 子图增强及其在图数据挖掘中的应用69
4.1 引言69
4.2 相关工作71
4.2.1 图分类71
4.2.2 图学习中的数据增强72
4.3 图分类模型演化框架72
4.3.1 问题表述72
4.3.2 子图增强73
4.3.3 数据筛选77
4.3.4 模型演化框架77
4.4 子图增强的应用79
4.4.1 图分类80
4.4.2 链路预测80
4.4.3 节点分类82
4.4.4 实验结果83
4.5 本章小结86
第5章 基于图的对抗攻击：如何隐藏你的结构信息87
5.1 背景88
5.2 对抗攻击90
5.2.1 问题描述90
5.2.2 攻击分类91
5.3 攻击策略93
5.3.1 节点分类93
5.3.2 链路预测100
5.3.3 图分类104
5.3.4 社团检测108
5.4 本章小结113
第6章 基于图的对抗防御：提高算法鲁棒性115
6.1 引言115
6.2 对抗训练117
6.2.1 图对抗训练117
6.2.2 平滑对抗训练121
6.3 图净化124
6.3.1 GCN-Jaccard124
6.3.2 GCN-SVD126
6.4 鲁棒性验证127
6.4.1 图结构扰动下的鲁棒性验证128
6.4.2 节点属性扰动下的鲁棒性验证129
6.4.3 社团检测的鲁棒性验证131
6.5 基于结构的防御133
6.5.1 惩罚聚合GNN133
6.5.2 鲁棒图卷积网络135
6.6 对抗检测137
6.6.1 基于节点分类的对抗检测137
6.6.2 基于图分类的对抗检测138
6.7 防御总结140
6.8 实验和分析142
6.8.1 对抗训练142
6.8.2 对抗检测146
6.9 本章小结147
第7章 通过网络方法理解以太坊交易149
7.1 介绍149
7.2 以太坊交易数据集151
7.3 图嵌入技术153
7.3.1 基于因式分解的方法153
7.3.2 基于随机游走的方法154
7.3.3 基于深度学习的方法155
7.3.4 其他方法156
7.4 方法156
7.4.1 基本定义156
7.4.2 动态有偏游走158
7.4.3 学习动态图嵌入161
7.5 实验163
7.5.1 节点分类163
7.5.2 链路预测165
7.6 本章小结168
7.7 附录169
第8章 寻找你的餐友：Yelp网络案例研究171
8.1 介绍171
8.2 数据描述和预处理173
8.3 链路预测方法176
8.3.1 相似性指数176
8.3.2 变异图自动编码器177
8.4 实验分析178
8.4.1 实验设置178
8.4.2 朋友推荐178
8.4.3 共同觅食的预测180
8.5 本章小结183
第9章 基于图卷积循环神经网络的交通流量预测深度学习框架185
9.1 研究背景185
9.2 相关工作187
9.2.1 图分析187
9.2.2 交通状态预测188
9.3 模型189
9.3.1 图卷积神经网络190
9.3.2 长短期记忆神经网络(LSTM)192
9.3.3 图卷积循环神经网络194
9.4 实验195
9.4.1 数据集195
9.4.2 对比实验196
9.4.3 评价指标196
9.4.4 评估197
9.4.5 实验和结果分析197
9.5 本章小结200
第10章 基于复杂网络的时间序列分类201
10.1 介绍201
10.2 相关工作203
10.2.1 时间序列分类203
10.2.2 映射方法204
10.2.3 图的分类205
10.3 方法206
10.3.1 CLPVG206
10.3.2 基于GNN的AVG210
10.3.3 与LPVG的比较213
10.4 实验214
10.4.1 数据集214
10.4.2 实验设置215
10.4.3 实验结果216
10.5 本章小结218
第11章 探索社交机器人的受控实验219
11.1 简介219
11.2 社交机器人的定义221
11.3 社交机器人的应用和影响221
11.3.1 应用222
11.3.2 影响222
11.4 社交机器人的开发技术224
11.4.1 互联网接入技术224
11.4.2 人工智能基础225
11.4.3 网络科学理论226
11.5 社交机器人检测226
11.5.1 基于图的检测方法227
11.5.2 基于特征的检测方法227
11.5.3 众包检测方法228
11.5.4 多种方式的混合使用229
11.6 社交机器人与社交网络受控实验229
11.6.1 在线社交网络受控实验230
11.6.2 社交机器人在受控实验中的应用232
11.6.3 社交机器人受控实验中的问题237
11.7 结语238
参考文献(在线资源)239
内容摘要
网络图的表征能力异常强大，它能够对事物之间任意类型的相互作用关系进行建模，因此网络图数据在生物信息、交通网络、科研合作、万维网和社交网络等领域的一系列实际场景中随处可见。图数据挖掘用于从图数据中发现有用的信息和知识。然而，网络中节点和链路及其半结构形式的复杂性在各种计算任务，如节点分类、链路预测和图分类等方面提出了挑战。在这一背景下，研究人员最近提出了各种前沿的图机器学习算法，包括图嵌入和图神经网络，显著地提升了图数据挖掘的性能。
《图数据挖掘：算法、安全与应用》提供了对图数据挖掘方法的最新评述，在此基础上引申出一个前沿课题，即图数据挖掘的安全性问题，并介绍了一系列检测方法来识别图数据中的对抗样本。此外，它向读者介绍了图数据增强和子图网络以进一步增强模型，即提高其准确性和鲁棒性。最后，本书描述了这些前沿算法在各种场景中的应用，例如交通网络、社交和技术网络以及区块链交易网络等。
主编推荐
《图数据挖掘：算法、安全与应用》提供了对图数据挖掘方法的近期新评述，在此基础上引申出一个前沿课题，即图数据挖掘的安全性问题，并介绍了一系列检测方法来识别图数据中的对抗样本。此外，它向读者介绍了图数据增强和子图网络以进一步增强模型，即提高其准确性和鲁棒性。最后，本书描述了这些前沿算法在各种场景中的应用，例如交通网络、社交和技术网络以及区块链交易网络等。
— 没有更多了 —
以下为对购买帮助不大的评价