中圖網(wǎng)小程序
一鍵登錄
更方便
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(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
圖表示學習 版權(quán)信息
- ISBN：9787121410772
- 條形碼：9787121410772 ; 978-7-121-41077-2
- 裝幀：一般純質(zhì)紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
圖表示學習 本書特色
圖表示學習開山之作； 斯坦福大學博士、吉爾大學助理教授傾力打造 清華大學教授鼎力推薦； 浙江大學、山東大學、北京郵電大學等多位高校學子精心翻譯； 全面剖析圖表示學習、圖神經(jīng)網(wǎng)絡(luò)、圖嵌入、節(jié)點嵌入、圖深度學習等AI領(lǐng)域的前沿進展， 探索提升AI的可解釋性、健壯性的路徑與方法，為AI實現(xiàn)推理、規(guī)劃、邏輯等表示提供助力。
圖表示學習 內(nèi)容簡介
《圖表示學習》提供了一份關(guān)于圖表示學習的綜述。首先，本書討論圖表示學習的目標及圖論和網(wǎng)絡(luò)分析的關(guān)鍵方法論。然后，本書介紹并回顧了學習節(jié)點嵌入的方法，包括基于隨機游走的方法以及在知識圖譜上的應用。再后，本書對高度成功的圖神經(jīng)網(wǎng)絡(luò)（ Graph Neural Network， GNN）進行了技術(shù)上的綜合介紹， GNN已成為圖數(shù)據(jù)深度學習領(lǐng)域占地位且迅速發(fā)展的范式。很后，本書總結(jié)了針對圖的深度生成模型的近期新進展，這是圖表示學習新生但發(fā)展迅速的子集。
圖表示學習 目錄
**部分 背景介紹
第1 章 引言 ............................................................................................... 2
1.1 什么是圖 .......................................................................................... 3
1.2 圖機器學習 ...................................................................................... 6
第2 章 背景與傳統(tǒng)方法 ............................................................................ 13
2.1 圖統(tǒng)計特征與核方法 ..................................................................... 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(jié)點嵌入
第3 章 鄰域節(jié)點重構(gòu) ................................................................................ 44
3.1 編碼-解碼框架 ............................................................................... 45
3.2 基于因式分解的方法 ..................................................................... 49
3.3 隨機游走嵌入表示 ......................................................................... 52
3.4 shallow embedding 的局限性 ......................................................... 56
第4 章 多關(guān)系數(shù)據(jù)及知識圖譜 .................................................................. 58
4.1 重建多關(guān)系數(shù)據(jù) ............................................................................. 59
4.2 損失函數(shù) ........................................................................................ 60
4.3 多關(guān)系解碼器 ................................................................................ 64
4.4 解碼器的性能表征 ......................................................................... 68
第三部分 圖神經(jīng)網(wǎng)絡(luò)（GNN）
第5 章 圖神經(jīng)網(wǎng)絡(luò)（GNN）模型 .............................................................. 72
5.1 神經(jīng)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 邊特征和多元關(guān)系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(jīng)網(wǎng)絡(luò)（GNN）的實現(xiàn) ......................................................... 104
6.1 應用和損失函數(shù) ........................................................................... 104
6.2 效率問題和節(jié)點采樣 ................................................................... 110
6.3 參數(shù)共享與正則化 ....................................................................... 112
第7 章 圖神經(jīng)網(wǎng)絡(luò)（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(gòu) ............................................................................. 141
第四部分 生成圖模型
第8 章 傳統(tǒng)圖生成方法 .......................................................................... 158
8.1 傳統(tǒng)方法概述 .............................................................................. 159
8.2 ERDÖS–RÉNYI 模型 .................................................................. 159
8.3 隨機塊模型 .................................................................................. 160
8.4 優(yōu)先鏈接模型 .............................................................................. 161
8.5 傳統(tǒng)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
展開全部
圖表示學習 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。他專注于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(wǎng)絡(luò)科學領(lǐng)域的頂級會議發(fā)表了20 多篇關(guān)于圖表示學習的論文，并且參與組織了關(guān)于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A(chǔ)rthur 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(lián)合發(fā)起的圈子。AI TIME是一個開放、包容的組織，專注于探索AI科學、發(fā)揚科學思辨精神。我們邀請各界人士辯論AI本質(zhì)，介紹學術(shù)前沿、展示研究機構(gòu)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(lǐng)域的未來。
書友推薦
- >
姑媽的寶刀
- >
唐代進士錄
- >
巴金－再思錄
- >
月亮與六便士
- >
名家?guī)阕x魯迅:朝花夕拾
- >
經(jīng)典常談
- >
詩經(jīng)-先民的歌唱
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術(shù)叢書(紅燭學術(shù)叢書)
本類暢銷
