圖神經網絡前沿 Advances in Graph Neural Networks

石川 王嘯 楊成

  • 出版商: 人民郵電
  • 出版日期: 2024-04-01
  • 售價: $599
  • 貴賓價: 9.5$569
  • 語言: 簡體中文
  • 頁數: 174
  • 裝訂: 平裝
  • ISBN: 7115625573
  • ISBN-13: 9787115625571
  • 此書翻譯自: Advances in Graph Neural Networks
  • 立即出貨 (庫存=1)

  • 圖神經網絡前沿-preview-1
  • 圖神經網絡前沿-preview-2
圖神經網絡前沿-preview-1

買這商品的人也買了...

相關主題

商品描述

本書全面介紹了圖神經網絡的基礎和前沿內容,以及圖表示學習的基本概念和定義,並討論了高級圖表示學習方法的發展,旨在幫助研究人員和從業者瞭解圖神經網絡的基本問題。此外,本書探討了圖神經網絡的幾個前沿主題,包括利用圖數據描述社會科學、化學和生物學等領域的真實數據的關系,還介紹了圖神經網絡的若乾前沿趨勢,能夠幫助讀者進一步掌握圖神經網絡所涉及的技術。

本書適合所有想瞭解圖神經網絡基本問題和技術的人,包括但不限於高等院校電腦專業高年級本科生及研究生、科研人員以及相關從業者。

作者簡介

石川 北京邮电大学教授,智能通信软件与多媒体北京市重点实验室副主任。主要研究方向为数据挖掘、机器学习、人工智能和大数据分析。近 5 年来,以第一作者或通讯作者的身份在 CCF A 类期刊和相关会议上发表论文 60 余篇,出版中、英文专著 5 部。相关研究成果广泛应用于头部 IT 企业。获得中国电子学会科学技术科技进步奖一等奖、北京市自然科学二等奖。

王啸 北京航空航天大学教授,博士生导师。研究方向为数据挖掘与机器学习。主持国家自然科学基金优秀青年基金等项目,发表论文 100 余篇,3 次获得 / 提名 CCF A/B 类等国际会议论文奖。荣获教育部自然科学奖一等奖、中国电子学会科学技术进步奖一等奖、吴文俊人工智能优秀青年奖和 ACM 中国新星提名奖。曾入选斯坦福大学发布的“全球前 2% 顶尖科学家”和 AMiner 评选的“AI 2000 最具影响力学者”。

杨成 北京邮电大学副教授,研究方向为数据挖掘和自然语言处理。发表相关领域 CCF A/B 类论文 50 余篇,相关成果获得教育部自然科学奖一等奖。曾获中文信息学会优秀博士论文奖,入选 AMiner 评选的“AI 2000 最具影响力学者”和百度发布的首届“AI 华人青年学者百强”榜单。

目錄大綱

第 1 章 概述 1

1.1 基本概念 1

1.1.1 圖的定義和屬性 1

1.1.2 復雜圖 3

1.1.3 圖上的計算任務 5

1.2 圖神經網絡的發展 6

1.2.1 圖表示學習的歷史 6

1.2.2 圖神經網絡的前沿 7

1.3 本書的組織結構 8

第 2 章 基礎圖神經網絡 10

2.1 引言 10

2.2 圖捲積網絡 11

2.2.1 概述 11

2.2.2 GCN 模型 12

2.3 歸納式圖捲積網絡 13

2.3.1 概述 14

2.3.2 GraphSAGE 模型 14

2.4 圖註意力網絡 16

2.4.1 概述 17

2.4.2 GAT 模型 17

2.5 異質圖註意力網絡 19

2.5.1 概述 19

2.5.2 HAN 模型 19

第 3 章 同質圖神經網絡 23

3.1 引言 23

3.2 自適應多通道圖捲積網絡 24

3.2.1 概述 24

3.2.2 實驗觀察 24

3.2.3 AM-GCN 模型 25

3.2.4 實驗 30

3.3 融合高低頻信息的圖捲積網絡 32

3.3.1 概述 32

3.3.2 實驗觀察 32

3.3.3 FAGCN 模型 33

3.3.4 實驗 35

3.4 圖結構估計神經網絡 37

3.4.1 概述 37

3.4.2 GEM 模型 37

3.4.3 實驗 43

3.5 基於統一優化框架的圖神經網絡 44

3.5.1 概述 44

3.5.2 預備知識 45

3.5.3 GNN-LF/HF 模型 46

3.5.4 實驗 50

3.6 本章小結 51

3.7 擴展閱讀 51

第 4 章 異質圖神經網絡 53

4.1 引言 53

4.2 異質圖傳播網絡54

4.2.1 概述 54

4.2.2 HPN 模型 55

4.2.3 實驗 58

4.3 基於距離編碼的異質圖神經網絡 60

4.3.1 概述 60

4.3.2 DHN 模型 61

4.3.3 實驗 64

4.4 基於協同對比學習的自監督異質圖神經網絡 66

4.4.1 概述 66

4.4.2 HeCo 模型 66

4.4.3 實驗 71

4.5 本章小結 73

4.6 擴展閱讀 74

第 5 章 動態圖神經網絡 75

5.1 引言 75

5.2 基於微觀和宏觀動態性的圖表示學習 75

5.2.1 概述 75

5.2.2 M2DNE 模型 76

5.2.3 實驗 79

5.3 基於異質霍克斯過程的動態異質圖表示學習 81

5.3.1 概述 81

5.3.2 HPGE 模型 82

5.3.3 實驗 85

5.4 基於動態元路徑的時序異質圖神經網絡 87

5.4.1 概述 87

5.4.2 DyMGNN 模型 88

5.4.3 實驗 91

5.5 本章小結 93

5.6 擴展閱讀 93

第 6 章 雙曲圖神經網絡 94

6.1 引言 94

6.2 雙曲圖註意力網絡 95

6.2.1 概述 95

6.2.2 HAT 模型 95

6.2.3 實驗 99

6.3 洛倫茲圖捲積網絡 101

6.3.1 概述 101

6.3.2 LGCN 模型 101

6.3.3 實驗 104

6.4 雙曲異質圖表示 106

6.4.1 概述 106

6.4.2 HHNE 模型 107

6.4.3 實驗 109

6.5 本章小結 112

6.6 擴展閱讀 112

第 7 章 圖神經網絡的知識蒸餾 113

7.1 引言 113

7.2 圖神經網絡的先驗知識蒸餾 114

7.2.1 概述 114

7.2.2 CPF 框架 114

7.2.3 實驗 117

7.3 溫度自適應的圖神經網絡知識蒸餾 119

7.3.1 概述 119

7.3.2 LTD 框架 120

7.3.3 實驗 123

7.4 圖神經網絡的無數據對抗知識蒸餾 124

7.4.1 概述 124

7.4.2 DFAD-GNN 框架 124

7.4.3 實驗 127

7.5 本章小結 129

7.6 擴展閱讀 130

第 8 章 圖神經網絡平臺和實踐 131

8.1 引言 131

8.2 基礎知識 132

8.2.1 深度學習平臺 132

8.2.2 圖神經網絡平臺 136

8.2.3 GammaGL 平臺 139

8.3 圖神經網絡在 GammaGL 上的實踐 142

8.3.1 創建自己的圖 142

8.3.2 創建消息傳遞網絡 144

8.3.3 高級小批量 146

8.3.4 GIN 實踐 146

8.3.5 GraphSAGE 實踐 148

8.3.6 HAN 實踐 151

8.4 本章小結 153

第 9 章 未來方向和總結 154

9.1 未來方向 154

9.1.1 自監督學習 154

9.1.2 魯棒性 154

9.1.3 可解釋性 155

9.1.4 公平性 156

9.1.5 自然科學應用 156

9.2 總結 157

參考文獻 159