圖表示學習 Graph Representation Learning
William Hamilton AI TIME
- 出版商: 電子工業
- 出版日期: 2021-06-01
- 定價: $654
- 售價: 8.5 折 $556
- 語言: 簡體中文
- 頁數: 208
- 裝訂: 平裝
- ISBN: 712141077X
- ISBN-13: 9787121410772
-
相關分類:
DeepLearning
- 此書翻譯自: Graph Representation Learning
立即出貨
買這商品的人也買了...
-
$580$452 -
$280$252 -
$1,250$1,188 -
$420$378 -
$450$428 -
$450$383 -
$3,260$3,097 -
$690$587 -
$648$616 -
$505知識圖譜與深度學習
-
$1,980$1,881 -
$403圖神經網絡:基礎與前沿
-
$419$398 -
$673圖深度學習
-
$1,824Python and R for the Modern Data Scientist: The Best of Both Worlds
-
$620$490 -
$880$695 -
$7602D 電腦視覺:原理、算法及應用
-
$7603D 電腦視覺:原理、算法及應用
-
$668Pandas 數據預處理詳解
-
$1,000$850 -
$620$484 -
$690$545 -
$900$855 -
$454圖深度學習從理論到實踐
相關主題
商品描述
本書提供了一份關於圖表示學習的綜述。首先,本書討論圖表示學習的目標及圖論和網絡分析的關鍵方法論。然後,本書介紹並回顧了學習節點嵌入的方法,包括基於隨機游走的方法以及在知識圖譜上的應用。再後,本書對高度成功的圖神經網絡( Graph Neural Network, GNN)進行了技術上的綜合介紹, GNN已成為圖數據深度學習領域占主導地位且迅速發展的範式。最後,本書總結了針對圖的深度生成模型的最新進展,這是圖表示學習新生但發展迅速的子集。
作者簡介
威廉·漢密爾頓(William Hamilton)是麥吉爾大學(McGill University)計算機科學系的助理教授,也是加拿大高等研究院(Canadian Institute for Advanced Research, CIFAR)AI 方向的主席、GraphSAGE 的作者。
他專注於圖表示學習及其在計算社會科學和生物學中的應用。
近年來,他在機器學習和網絡科學領域的頂級會議發表了20 多篇關於圖表示學習的論文,並且參與組織了關於該主題的幾次大型研討會,分享了多份重磅教程。
他的工作獲得了多個獎項的認可,其中包括2017 年美國科學院Cozzarelli最佳論文獎和2018 年斯坦福大學計算機科學系Arthur Samuel 最佳博士論文獎等。
AI TIME是2019年由清華大學人工智能研究院張鈸院士和清華大學計算機系唐杰教授、李涓子教授等人聯合發起的圈子。
AI TIME是一個開放、包容的組織,專注於探索AI科學、發揚科學思辨精神。
我們邀請各界人士辯論AI本質,介紹學術前沿、展示研究機構風采,鼓勵所有參與者用辯論的形式,平等、自由、充分地交流,探討人工智能和人類未來之間的矛盾,探索人工智能領域的未來。
目錄大綱
第一部分背景介紹
第1 章引言.............................................. ................................................. 2
1.1 什麼是圖.............................................. ............................................ 3
1.2 圖機器學習.............................................. ........................................ 6
第2 章背景與傳統方法........................................... ................................. 13
2.1 圖統計特徵與核方法........................................... .......................... 14
2.2 鄰域重疊檢測............................................. ................................... 23
2.3 圖的拉普拉斯矩陣和圖的譜方法..................................... ............. 32
2.4 面向表示學習.............................................. .................................. 41
第二部分節點嵌入
第3 章鄰域節點重構.......................................... ...................................... 44
3.1 編碼-解碼框架............................................. .................................. 45
3.2 基於因式分解的方法........................................... .......................... 49
3.3 隨機遊走嵌入表示............................................ ............................. 52
3.4 shallow embedding 的局限性............................................ ............. 56
第4 章多關係數據及知識圖譜......................................... ......................... 58
4.1 重建多關係數據............................................. ................................ 59
4.2 損失函數............................................... ......................................... 60
4.3 多關係解碼器............................................. ................................... 64
4.4 解碼器的性能表徵............................................ ............................. 68
第三部分圖神經網絡(GNN)
第5 章圖神經網絡(GNN)模型........................................ ...................... 72
5.1 神經消息傳遞.............................................. .................................. 74
5.2 廣義鄰域聚合............................................. ................................... 80
5.3 廣義的更新方法............................................. ................................ 89
5.4 邊特徵和多元關係GNN ........................................... ..................... 96
5.5 圖池化.............................................. .............................................. 99
5.6 通用的消息傳遞方法............................................ ....................... 102
第6 章圖神經網絡(GNN)的實現....................................... .................. 104
6.1 應用和損失函數............................................. .............................. 104
6.2 效率問題和節點採樣............................................ ....................... 110
6.3 參數共享與正則化............................................ ........................... 112
第7 章圖神經網絡(GNN)的理論動機...................................... ............ 114
7.1 GNN與圖卷積............................................ ................................. 115
7.2 GNN和概率圖模型............................................ ......................... 135
7.3 GNN與圖同構............................................ ................................. 141
第四部分生成圖模型
第8 章傳統圖生成方法........................................... ............................... 158
8.1 傳統方法概述.............................................. ................................ 159
8.2 ERDÖS–RÉNYI 模型............................................. ..................... 159
8.3 隨機塊模型.............................................. .................................... 160
8.4 優先鏈接模型.............................................. ................................ 161
8.5 傳統應用............................................... ....................................... 163
第9 章深度生成模型............................................ .................................. 165
9.1 VAE 方法............................................... ...................................... 166
9.2 對抗方法............................................... ....................................... 176
9.3 自回歸模型.............................................. .................................... 178
9.4 圖生成的評估............................................. ................................. 184
9.5 分子圖生成.............................................. .................................... 185