AI GNN 再進化 -- 圖神經網路完整學習及應用大全

吳凌飛、崔鵬、裴健、趙亮 編 郭曉潔等 審校

  • AI GNN 再進化 -- 圖神經網路完整學習及應用大全-preview-1
  • AI GNN 再進化 -- 圖神經網路完整學習及應用大全-preview-2
  • AI GNN 再進化 -- 圖神經網路完整學習及應用大全-preview-3
  • AI GNN 再進化 -- 圖神經網路完整學習及應用大全-preview-4
  • AI GNN 再進化 -- 圖神經網路完整學習及應用大全-preview-5
  • AI GNN 再進化 -- 圖神經網路完整學習及應用大全-preview-6
  • AI GNN 再進化 -- 圖神經網路完整學習及應用大全-preview-7
  • AI GNN 再進化 -- 圖神經網路完整學習及應用大全-preview-8
  • AI GNN 再進化 -- 圖神經網路完整學習及應用大全-preview-9
  • AI GNN 再進化 -- 圖神經網路完整學習及應用大全-preview-10
  • AI GNN 再進化 -- 圖神經網路完整學習及應用大全-preview-11
  • AI GNN 再進化 -- 圖神經網路完整學習及應用大全-preview-12
  • AI GNN 再進化 -- 圖神經網路完整學習及應用大全-preview-13
  • AI GNN 再進化 -- 圖神經網路完整學習及應用大全-preview-14
  • AI GNN 再進化 -- 圖神經網路完整學習及應用大全-preview-15
AI GNN 再進化 -- 圖神經網路完整學習及應用大全-preview-1

買這商品的人也買了...

商品描述

本書全面介紹了圖神經網路的各個方面,包括基礎理論、前沿問題,以及模型算法和實際應用。

全書共分為四部分,27章。首部分為引言,探討了機器學習的效率與資料在特徵空間中的表示方法的關係,並著重於圖表示學習的目標與方法。

第二部分討論了圖神經網路的基礎問題,包括表現能力、可擴展性、可解釋性和對抗堅固性等問題,並強調了圖神經網路所面對的獨特挑戰。

第三部分則著重於前沿問題,包括圖分類、連接預測、圖生成、圖轉換、圖匹配、圖結構學習、動態圖神經網路、異質圖神經網路、自動機器學習和自監督學習等領域的現狀和未來趨勢。

最後一部分則廣泛討論了圖神經網路在現代推薦系統、計算機視覺、自然語言處理、程序分析、藥物開發等領域的應用。

作者簡介

吳凌飛 博士

畢業於美國公立常春藤盟校之一的威廉與瑪麗學院電腦系。目前他是Pinterest公司主管知識圖譜和內容理解的研發工程經理。曾任京東矽谷研究中心的首席科學家和IBM Thomas J. Watson Research Center的高級研究員。主要研究方向是機器學習、表徵學習和自然語言處理的有機結合,在圖神經網路及其應用方面有深入研究。他在機器學習、深度學習等領域的著名會議或期刊上發表100多篇論文。

 

崔鵬 博士

清華大學電腦系終身副教授。於2010年在清華大學獲得博士學位。研究興趣包括資料探勘、機器學習和多媒體分析,擅長網路表示學習、因果推理和穩定學習、社會動力學建模和用戶行為建模等。他在機器學習和資料探勘領域的著名會議或期刊上發表100多篇論文。

 

裴健 博士

杜克大學電子與電腦工程系教授。他是資料科學、大資料、資料探勘和資料庫系統等領域的研究人員。他擅長為新型資料密集型應用開發有效的資料分析技術,並將其研究成果轉化為產品和商業實踐。自2000年以來,他已經出版一本教科書、兩本專著,並在眾多具有影響力的會議或期刊上發表300多篇論文。

 

趙亮 博士

埃默里大學計算科學系助理教授。曾在喬治梅森大學資訊科學與技術系和電腦科學系擔任助理教授。於2016年在維吉尼亞理工大學電腦科學系獲得博士學位。研究興趣包括資料探勘、人工智慧和機器學習,在時空和網路資料探勘、圖深度學習、非凸優化、事件預測和可解釋機器學習等方面有深入研究。

目錄大綱

第一部分

 

1章 表徵學習  

1.1 導讀  

1.2 不同領域的表徵學習  

1.3 小結  

 

2章 圖表徵學習  

2.1 導讀  

2.2 傳統圖嵌入方法  

2.3 現代圖嵌入方法  

2.4 圖神經網路  

2.5 小結  

 

3章 圖神經網路  

3.1 導讀  

3.2 圖神經網路概述  

3.3 小結  

 

第二部分

 

4章 用於節點分類的圖神經網路  

4.1 背景和問題定義  

4.2 有監督的圖神經網路  

4.3 無監督的圖神經網路  

4.4 過平滑問題  

4.5 小結  

 

5 圖神經網路的表達能力  

5.1 導讀  

5.2 圖表徵學習和問題的提出  

5.3 強大的訊息傳遞圖神經網路  

5.4 1-WL測試更強大的圖神經網路架構  

5.5 小結  

 

6 圖神經網路的可擴充性 

6.1 導讀 

6.2 引言 

6.3 抽樣範式 

6.4 大規模圖神經網路在推薦系統中的應用

6.5 未來的方向

 

7 圖神經網路的可解釋性 

7.1 背景:深度模型的可解釋性 

7.2 圖神經網路的解釋方法  

7.3 圖神經網路的可解釋模型 

7.4 圖神經網路解釋的評估  

7.5 未來的方向  

 

8 圖神經網路的對抗堅固性  

8.1 動機  

8.2 圖神經網路的局限性:對抗性樣本  

8.3 可證明的堅固性:圖神經網路的驗證  

8.4 提高圖神經網路的堅固性  

8.5 從堅固性的角度進行適當評估  

8.6 小結  

 

第三部分 沿

 

9 圖分類  

9.1 導讀  

9.2 用於圖分類的圖神經網路:典型工作和現代架構  

9.3 池化層:從節點級輸出學習圖級輸出  

9.4 圖神經網路和高階層在圖分類中的局限性  

9.5 圖神經網路在圖分類中的應用  

9.6 基準資料集  

9.7 小結  

 

10 連結預測  

10.1 導讀  

10.2 傳統的連結預測方法  

10.3 GNN為基礎的連結預測方法  

10.4 連結預測的理論  

10.5 未來的方向  

 

11 圖生成  

11.1 導讀  

11.2 經典的圖生成模型  

11.3 深度圖生成模型  

11.4 小結  

 

12 圖轉換  

12.1 圖轉換問題的形式化  

12.2 節點級轉換  

12.3 邊級轉換  

12.4 節點-邊共轉換 

12.5 其他以圖為基礎的轉換  

12.6 小結  

 

13 圖匹配  

13.1 導讀  

13.2 圖匹配學習 

13.3 圖相似性學習  

13.4 小結  

 

14 圖結構學習  

14.1 導讀  

14.2 傳統的圖結構學習  

14.3 圖神經網路的圖結構學習 

14.4 未來的方向  

14.5 小結  

 

15 動態圖神經網路  

15.1 導讀  

15.2 背景和標記法  

15.3 動態圖的類型  

15.4 用圖神經網路對動態圖進行建模  

15.5 應用  

15.6 小結  

 

16 異質圖神經網路  

16.1 HGNN簡介  

16.2 淺層模型 

16.3 深度模型  

16.4 回顧  

16.5 未來的方向  

 

17 自動機器學習  

17.1 背景  

17.2 搜尋空間  

17.3 搜尋演算法  

17.4 未來的方向  

 

18 自監督學習  

18.1 導讀  

18.2 自監督學習概述  

18.3 SSL應用於圖神經網路:對訓練策略、損失函數和代理任務進行分類

18.4 節點級代理任務  

18.5 圖級代理任務  

18.6 節點-圖級代理任務 

18.7 討論  

18.8 小結  

 

第四部分 廣泛和新興的應用

 

19 現代推薦系統中的圖神經網路  

19.1 圖神經網路在推薦系統中的實踐 

19.2 案例研究1:動態的GNN學習 

19.3 案例研究2:裝置-雲端協作的GNN學習 

19.4 未來的方向  

 

 

20 電腦視覺中的圖神經網路  

20.1 導讀  

20.2 將視覺表徵為圖  

20.3 案例研究1:影像  

20.4 案例研究2:視訊  

20.5 其他相關工作:跨媒體  

20.6 圖神經網路在電腦視覺中的前端問題  

20.7 小結  

 

21 自然語言處理中的圖神經網路  

圖神經網路  

21.1 導讀  

21.2 將文字建模為圖  

21.3 案例研究1:以圖為基礎的文字聚類和匹配  

21.4 案例研究2:以圖為基礎的中繼站閱讀理解  

21.5 未來的方向  

21.6 小結  

 

22 程式分析中的圖神經網路  

22.1 導讀  

22.2 程式分析中的機器學習  

22.3 程式的圖表徵  

22.4 用於程式圖的圖神經網路  

22.5 案例研究1:檢測變數誤用缺陷  

22.6 案例研究2:預測動態類型化語言中的類型  

22.7 未來的方向  

 

23 軟體挖掘中的圖神經網路  

23.1 導讀  

23.2 將軟體建模為圖  

23.3 相關的軟體挖掘任務  

23.4 軟體挖掘任務實例:原始程式碼總結  

23.5 小結  

 

24 藥物開發中以圖神經網路為基礎的生物醫學知識圖譜挖掘  

生物醫學知識圖譜挖掘  

24.1 導讀  

24.2 現有的生物醫學知識圖譜  

24.3 知識圖譜的推理  

24.4 藥物開發中以KG為基礎的假設生成  

24.5 未來的方向  

 

25 預測蛋白質功能和相互作用的圖神經網路 

25.1 從蛋白質的相互作用到功能簡介  

25.2 三個典型的案例研究  

25.3 未來的方向  

 

26 異常檢測中的圖神經網路  

26.1 導讀  

26.2 GNN為基礎的異常檢測的問題  

26.3 管線  

26.4 分類法  

26.5 案例研究  

26.6 未來的方向  

 

27 智慧城市中的圖神經網路  

27.1 用於智慧城市的圖神經網路  

27.2 未來的方向  

 

參考文獻