掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
圖神經網絡 基礎與前沿 版權信息
- ISBN：9787121405020
- 條形碼：9787121405020 ; 978-7-121-40502-0
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
圖神經網絡 基礎與前沿 本書特色
圖神經網絡是人工智能領域的一個新興方向，它不僅迅速得到了學術界的廣泛關注，而且被成功地應用在工業界的多個領域。本書介紹了圖神經網絡和圖深度學習的基礎知識和前沿研究，不僅包括它們的發展歷史和經典模型，還包括圖神經網絡在深層網絡、無監督學習、大規模訓練、知識圖譜推理等方面的前沿研究，以及它們在不同領域（如推薦系統、生化醫療、自然語言處理等）的實際應用。 本書既可作為人工智能領域研究和開發人員的技術參考書，也可作為對圖上的深度學習感興趣的高年級本科生和研究生的入門書。
圖神經網絡 基礎與前沿 內容簡介
圖神經網絡是人工智能領域的一個新興方向，它不僅迅速得到了學術界的廣泛關注，而且被成功地應用在工業界的多個領域。本書介紹了圖神經網絡和圖深度學習的基礎知識和前沿研究，不僅包括它們的發展歷史和經典模型，還包括圖神經網絡在深層網絡、無監督學習、大規模訓練、知識圖譜推理等方面的前沿研究，以及它們在不同領域（如推薦系統、生化醫療、自然語言處理等）的實際應用。本書既可作為人工智能領域研究和開發人員的技術參考書，也可作為對圖上的深度學習感興趣的高年級本科生和研究生的入門書。
圖神經網絡 基礎與前沿 目錄
第 1 章 當深度學習遇上圖：圖神經網絡的興起 1
1.1 什么是圖1
1.2 深度學習與圖 2
1.2.1 圖數據的特殊性質 3
1.2.2 將深度學習擴展到圖上的挑戰 4
1.3 圖神經網絡的發展 5
1.3.1 圖神經網絡的歷史 5
1.3.2 圖神經網絡的分類 7
1.4 圖神經網絡的應用 8
1.4.1 圖數據上的任務 8
1.4.2 圖神經網絡的應用領域 8
1.5 小結 11
第 2 章 預備知識 13
2.1 圖的基本概念 13
2.2 簡易圖譜論 15
2.2.1 拉普拉斯矩陣 16
2.2.2 拉普拉斯二次型 17
2.2.3 拉普拉斯矩陣與圖擴散 18
2.2.4 圖論傅里葉變換 19
2.3 小結 20
第 3 章 圖神經網絡模型介紹 21
3.1 基于譜域的圖神經網絡 21
3.1.1 譜圖卷積網絡 21
3.1.2 切比雪夫網絡 24
3.1.3 圖卷積網絡 25
3.1.4 譜域圖神經網絡的局限和發展 27
3.2 基于空域的圖神經網絡 28
3.2.1 早期的圖神經網絡與循環圖神經網絡 28
3.2.2 再談圖卷積網絡 29
3.2.3 GraphSAGE：歸納式圖表示學習 31
3.2.4 消息傳遞神經網絡 34
3.2.5 圖注意力網絡 37
3.2.6 圖同構網絡：Weisfeiler-Lehman 測試與圖神經網絡的表達力 39
3.3 小試牛刀：圖卷積網絡實戰 42
3.4 小結 46
第 4 章 深入理解圖卷積網絡 47
4.1 圖卷積與拉普拉斯平滑：圖卷積網絡的過平滑問題 47
4.2 圖卷積網絡與個性化 PageRank 50
4.3 圖卷積網絡與低通濾波 52
4.3.1 圖卷積網絡的低通濾波效果 52
4.3.2 圖濾波神經網絡 54
4.3.3 簡化圖卷積網絡 55
4.4 小結 56
第 5 章 圖神經網絡模型的擴展 57
5.1 深層圖卷積網絡 57
5.1.1 殘差連接 58
5.1.2 JK-Net 60
5.1.3 DropEdge 與 PairNorm 60
5.2 圖的池化 61
5.2.1 聚類與池化 62
5.2.2 可學習的池化：DiffPool 63
5.2.3 Top-k 池化和 SAGPool 65
5.3 圖的無監督學習 67
5.3.1 圖的自編碼器 67
5.3.2 *大互信息 70
5.3.3 其他 72
5.3.4 圖神經網絡的預訓練 72
5.4 圖神經網絡的大規模學習 74
5.4.1 點采樣 75
5.4.2 層采樣 76
5.4.3 圖采樣 78
5.5 不規則圖的深度學習模型 80
5.6 小結 81
第 6 章 其他圖嵌入方法 83
6.1 基于矩陣分解的圖嵌入方法 83
6.1.1 拉普拉斯特征映射 83
6.1.2 圖分解 84
6.2 基于隨機游走的圖嵌入方法 86
6.2.1 DeepWalk 86
6.2.2 node2vec 87
6.2.3 隨機游走與矩陣分解的統一 88
6.3 從自編碼器的角度看圖嵌入 88
6.4 小結 89
第 7 章 知識圖譜與異構圖神經網絡 91
7.1 知識圖譜的定義和任務 92
7.1.1 知識圖譜 92
7.1.2 知識圖譜嵌入 92
7.2 距離變換模型 94
7.2.1 TransE 模型 94
7.2.2 TransH 模型 95
7.2.3 TransR 模型 96
7.2.4 TransD 模型 97
7.3 語義匹配模型 97
7.3.1 RESCAL 模型 98
7.3.2 DistMult 模型 98
7.3.3 HolE 模型 98
7.3.4 語義匹配能量模型 99
7.3.5 神經張量網絡模型 99
7.3.6 ConvE 模型 100
7.4 知識圖譜上的圖神經網絡 100
7.4.1 關系圖卷積網絡 100
7.4.2 帶權重的圖卷積編碼器 101
7.4.3 知識圖譜與圖注意力模型 102
7.4.4 圖神經網絡與傳統知識圖譜嵌入的結合：CompGCN 103
7.5 小結 103
第 8 章 圖神經網絡模型的應用 105
8.1 圖數據上的一般任務 105
8.1.1 節點分類 106
8.1.2 鏈路預測 106
8.1.3 圖分類 107
8.2 生化醫療相關的應用 108
8.2.1 預測分子的化學性質和化學反應 108
8.2.2 圖生成模型與藥物發現 109
8.2.3 藥物/蛋白質交互圖的利用 116
8.3 自然語言處理相關的應用 117
8.4 推薦系統上的應用 121
8.5 計算機視覺相關的應用 123
8.6 其他應用 124
8.7 小結 124
參考文獻 127
1.1 什么是圖1
1.2 深度學習與圖 2
1.2.1 圖數據的特殊性質 3
1.2.2 將深度學習擴展到圖上的挑戰 4
1.3 圖神經網絡的發展 5
1.3.1 圖神經網絡的歷史 5
1.3.2 圖神經網絡的分類 7
1.4 圖神經網絡的應用 8
1.4.1 圖數據上的任務 8
1.4.2 圖神經網絡的應用領域 8
1.5 小結 11
第 2 章 預備知識 13
2.1 圖的基本概念 13
2.2 簡易圖譜論 15
2.2.1 拉普拉斯矩陣 16
2.2.2 拉普拉斯二次型 17
2.2.3 拉普拉斯矩陣與圖擴散 18
2.2.4 圖論傅里葉變換 19
2.3 小結 20
第 3 章 圖神經網絡模型介紹 21
3.1 基于譜域的圖神經網絡 21
3.1.1 譜圖卷積網絡 21
3.1.2 切比雪夫網絡 24
3.1.3 圖卷積網絡 25
3.1.4 譜域圖神經網絡的局限和發展 27
3.2 基于空域的圖神經網絡 28
3.2.1 早期的圖神經網絡與循環圖神經網絡 28
3.2.2 再談圖卷積網絡 29
3.2.3 GraphSAGE：歸納式圖表示學習 31
3.2.4 消息傳遞神經網絡 34
3.2.5 圖注意力網絡 37
3.2.6 圖同構網絡：Weisfeiler-Lehman 測試與圖神經網絡的表達力 39
3.3 小試牛刀：圖卷積網絡實戰 42
3.4 小結 46
第 4 章 深入理解圖卷積網絡 47
4.1 圖卷積與拉普拉斯平滑：圖卷積網絡的過平滑問題 47
4.2 圖卷積網絡與個性化 PageRank 50
4.3 圖卷積網絡與低通濾波 52
4.3.1 圖卷積網絡的低通濾波效果 52
4.3.2 圖濾波神經網絡 54
4.3.3 簡化圖卷積網絡 55
4.4 小結 56
第 5 章 圖神經網絡模型的擴展 57
5.1 深層圖卷積網絡 57
5.1.1 殘差連接 58
5.1.2 JK-Net 60
5.1.3 DropEdge 與 PairNorm 60
5.2 圖的池化 61
5.2.1 聚類與池化 62
5.2.2 可學習的池化：DiffPool 63
5.2.3 Top-k 池化和 SAGPool 65
5.3 圖的無監督學習 67
5.3.1 圖的自編碼器 67
5.3.2 *大互信息 70
5.3.3 其他 72
5.3.4 圖神經網絡的預訓練 72
5.4 圖神經網絡的大規模學習 74
5.4.1 點采樣 75
5.4.2 層采樣 76
5.4.3 圖采樣 78
5.5 不規則圖的深度學習模型 80
5.6 小結 81
第 6 章 其他圖嵌入方法 83
6.1 基于矩陣分解的圖嵌入方法 83
6.1.1 拉普拉斯特征映射 83
6.1.2 圖分解 84
6.2 基于隨機游走的圖嵌入方法 86
6.2.1 DeepWalk 86
6.2.2 node2vec 87
6.2.3 隨機游走與矩陣分解的統一 88
6.3 從自編碼器的角度看圖嵌入 88
6.4 小結 89
第 7 章 知識圖譜與異構圖神經網絡 91
7.1 知識圖譜的定義和任務 92
7.1.1 知識圖譜 92
7.1.2 知識圖譜嵌入 92
7.2 距離變換模型 94
7.2.1 TransE 模型 94
7.2.2 TransH 模型 95
7.2.3 TransR 模型 96
7.2.4 TransD 模型 97
7.3 語義匹配模型 97
7.3.1 RESCAL 模型 98
7.3.2 DistMult 模型 98
7.3.3 HolE 模型 98
7.3.4 語義匹配能量模型 99
7.3.5 神經張量網絡模型 99
7.3.6 ConvE 模型 100
7.4 知識圖譜上的圖神經網絡 100
7.4.1 關系圖卷積網絡 100
7.4.2 帶權重的圖卷積編碼器 101
7.4.3 知識圖譜與圖注意力模型 102
7.4.4 圖神經網絡與傳統知識圖譜嵌入的結合：CompGCN 103
7.5 小結 103
第 8 章 圖神經網絡模型的應用 105
8.1 圖數據上的一般任務 105
8.1.1 節點分類 106
8.1.2 鏈路預測 106
8.1.3 圖分類 107
8.2 生化醫療相關的應用 108
8.2.1 預測分子的化學性質和化學反應 108
8.2.2 圖生成模型與藥物發現 109
8.2.3 藥物/蛋白質交互圖的利用 116
8.3 自然語言處理相關的應用 117
8.4 推薦系統上的應用 121
8.5 計算機視覺相關的應用 123
8.6 其他應用 124
8.7 小結 124
參考文獻 127
展開全部
圖神經網絡 基礎與前沿 作者簡介
馬騰飛，IBM全球研究院總部研究員，東京大學博士，研究方向為機器學習、自然語言處理等。近期的研究集中在圖神經網絡及其在醫療、生化、金融等領域的應用。在ICLR、NeurIPS、AAAI等人工智能國際會議上發表論文30多篇，并與他人合作，在AAAI、KDD等會議上多次講授圖神經網絡的前沿專題。
書友推薦
- >
有舍有得是人生
- >
伯納黛特,你要去哪(2021新版)
- >
小考拉的故事-套裝共3冊
- >
【精裝繪本】畫給孩子的中國神話
- >
自卑與超越
- >
隨園食單
- >
詩經-先民的歌唱
- >
龍榆生：詞曲概論/大家小書
本類暢銷
