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
買過本商品的人還買了
圖機器學習/網絡科學與工程叢書 版權信息
- ISBN：9787040576399
- 條形碼：9787040576399 ; 978-7-04-057639-9
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
圖機器學習/網絡科學與工程叢書 內容簡介
網絡圖作為一種描述復雜系統結構的通用表征方法，近年來獲得了包括生命科學、社會科學、計算機科學以及物理學等諸多領域的關注。本書結合網絡圖結構進行機器學習算法設計，涉及圖嵌入、圖神經網絡以及對抗攻防和增強等內容。全書共8章：第1章概述了圖上的機器學習任務及算法；第2—5章分別介紹了節點分類、鏈路預測、社團檢測、圖分類的機器學習任務及算法；第6、7章介紹了對抗攻擊下算法的魯棒性問題，包括對抗攻擊和對抗防御；第8章探討了領域前沿圖數據增強技術，利用圖數據自身的結構和屬性信息拓展特征空間，提升算法性能。相比傳統機器學習類書籍，本書聚焦網絡圖數據；相比圖神經網絡類書籍，本書更側重網絡圖從微觀到宏觀的分析。 本書可供網絡科學、人工智能、社會科學及生物信息等領域的研究生、高年級本科生及青年學者使用，也可供工業界從事互聯網、大數據及人工智能等領域工作的工程師參考使用。
圖機器學習/網絡科學與工程叢書 目錄
第1章 緒論
1.1 網絡科學
1.1.1 神經網絡
1.1.2 交易網絡
1.1.3 社會網絡
1.1.4 互聯網
1.2 圖數據
1.2.1 圖數據的表示
1.2.2 圖數據的特征
1.3 圖上的機器學習任務
1.3.1 節點分類
1.3.2 鏈路預測
1.3.3 社團檢測
1.3.4 圖分類
1.3.5 對抗攻防
1.3.6 數據增強
1.4 圖上的機器學習算法
1.4.1 傳統方法
1.4.2 圖表示學習
1.4.3 圖神經網絡模型
1.5 -些資源
1.5.1 常用網絡數據集網站
1.5.2 本書所使用的圖數據集
1.5.3 圖數據挖掘常用庫
1.5.4 網絡可視化工具
參考文獻
第2章 節點分類
2.1 節點分類的基本概念
2.1.1 問題描述
2.1.2 評價指標
2.2 基于手動特征的節點分類
2.3 基于圖嵌入的節點分類
2.3.1 DeepWalk
2.3.2 node2vec
2.3.3 LINE
2.3.4 SDNE
2.3.5 Graph Factorization
2.3.6 GraRep
2.3.7 HOPE
2.4 基于深度學習的節點分類
2.4.1 GCN
2.4.2 GAT
2.4.3 GraphSAGE模型
2.5 節點分類應用
2.6 本章小結
參考文獻
第3章 鏈路預測
3.1 鏈路預測的基本概念
3.1.1 問題描述
3.1.2 評價指標
3.2 啟發式鏈路預測方法
3.2.1 局部結構相似性指標
3.2.2 全局結構相似性指標
3.2.3 類局部結構相似性指標
3.3 基于圖嵌入的鏈路預測方法
3.3.1 節點嵌入
3.3.2 連邊嵌入
3.4 基于深度學習的鏈路預測方法
3.4.1 GAE與VGAE
3.4.2 SEAL模型
3.4.3 HELP
3.5 鏈路預測應用
3.5.1 啟發式鏈路預測方法分析
3.5.2 基于圖嵌入和深度學習的鏈路預測方法分析
3.6 本章小結
參考文獻
第4章 社團檢測
4.1 社團檢測的基本概念
4.1.1 問題描述
4.1.2 評價指標
4.2 傳統社團檢測算法
4.2.1 快速貪婪算法
4.2.2 標簽傳播算法
4.2.3 Infomap算法
4.3 深度社團檢測算法
4.3.1 GraphEncoder模型
4.3.2 DNGR模型
4.3.3 DANE模型
4.3.4 SDCN模型
4.4 社團檢測應用
4.5 本章小結
參考文獻
第5章 圖分類
5.1 圖分類的基本概念
5.1.1 圖分類
5.1.2 評價指標
5.2 基于手動特征的圖分類
5.3 基于圖核的圖分類
5.3.1 基于隨機游走的圖核
5.3.2 基于*短路徑的圖核
5.3.3 基于WL子樹的圖核
5.4 基于圖嵌入的圖分類
5.4.1 subgraph2vec
5.4.2 graph2vec
5.5 基于深度學習的圖分類
5.5.1 DGCNN
5.5.2 DiffPool
5.5.3 SAGPool
5.5.4 CapsGNN
5.6 圖分類應用
5.7 本章小結
參考文獻
第6章 對抗攻擊
6.1 對抗攻擊的基本概念
6.1.1 問題描述
6.1.2 評價指標
6.1.3 方法分類
6.2 針對節點分類的對抗攻擊
6.2.1 NETTACK
6.2.2 基于元梯度的攻擊方法
6.3 針對鏈路預測的對抗攻擊
6.3.1 基于RA的啟發式攻擊方法
6.3.2 梯度攻擊方法
6.4 針對社團檢測的對抗攻擊
6.4.1 啟發式攻擊方法
6.4.2 基于進化計算的攻擊方法
6.5 針對圖分類的對抗攻擊
6.5.1 基于強化學習的攻擊方法
6.5.2 后門攻擊方法
6.6 實驗和分析
6.6.1 基本實驗結果
6.6.2 實驗結果可視化
6.7 本章小結
參考文獻
第7章 對抗防御
7.1 對抗訓練
7.1.1 圖對抗訓練
7.1.2 平滑對抗訓練
7.2 圖凈化
7.2.1 GCN-Jaccard
7.2.2 GCN-SVD
7.3 注意力機制
7.3.1 懲罰聚合GNN
7.3.2 魯棒圖卷積網絡
7.4 魯棒性驗證
7.4.1 節點屬性擾動下的魯棒性驗證
7.4.2 圖結構擾動下的魯棒性驗證
7.5 對抗檢測
7.5.1 基于節點分類的對抗檢測
7.5.2 基于圖分類的對抗檢測
7.6 實驗和分析
7.6.1 對抗訓練
7.6.2 對抗檢測
7.7 本章小結
參考文獻
第8章 圖數據增強
8.1 社團檢測相關的數據增強
8.1.1 基本定義
8.1.2 .基于多目標優化的網絡社團結構增強
8.1.3 基于相似性集成的社團檢測增強
8.1.4 社團檢測增強實驗
8.2 圖分類相關的數據增強
8.2.1 基本定義
8.2.2 基于結構映射的數據增強
8.2.3 基于子圖網絡的特征擴充
8.2.4 圖分類增強實驗
8.2.5 M-Evolve的多任務拓展
8.2.6 SGN的多任務拓展
8.3 節點分類相關的數據增強
8.3.1 基本定義
8.3.2 基于邊移除的數據增強
8.3.3 節點分類的增強實驗
8.4 本章小結
參考文獻
1.1 網絡科學
1.1.1 神經網絡
1.1.2 交易網絡
1.1.3 社會網絡
1.1.4 互聯網
1.2 圖數據
1.2.1 圖數據的表示
1.2.2 圖數據的特征
1.3 圖上的機器學習任務
1.3.1 節點分類
1.3.2 鏈路預測
1.3.3 社團檢測
1.3.4 圖分類
1.3.5 對抗攻防
1.3.6 數據增強
1.4 圖上的機器學習算法
1.4.1 傳統方法
1.4.2 圖表示學習
1.4.3 圖神經網絡模型
1.5 -些資源
1.5.1 常用網絡數據集網站
1.5.2 本書所使用的圖數據集
1.5.3 圖數據挖掘常用庫
1.5.4 網絡可視化工具
參考文獻
第2章 節點分類
2.1 節點分類的基本概念
2.1.1 問題描述
2.1.2 評價指標
2.2 基于手動特征的節點分類
2.3 基于圖嵌入的節點分類
2.3.1 DeepWalk
2.3.2 node2vec
2.3.3 LINE
2.3.4 SDNE
2.3.5 Graph Factorization
2.3.6 GraRep
2.3.7 HOPE
2.4 基于深度學習的節點分類
2.4.1 GCN
2.4.2 GAT
2.4.3 GraphSAGE模型
2.5 節點分類應用
2.6 本章小結
參考文獻
第3章 鏈路預測
3.1 鏈路預測的基本概念
3.1.1 問題描述
3.1.2 評價指標
3.2 啟發式鏈路預測方法
3.2.1 局部結構相似性指標
3.2.2 全局結構相似性指標
3.2.3 類局部結構相似性指標
3.3 基于圖嵌入的鏈路預測方法
3.3.1 節點嵌入
3.3.2 連邊嵌入
3.4 基于深度學習的鏈路預測方法
3.4.1 GAE與VGAE
3.4.2 SEAL模型
3.4.3 HELP
3.5 鏈路預測應用
3.5.1 啟發式鏈路預測方法分析
3.5.2 基于圖嵌入和深度學習的鏈路預測方法分析
3.6 本章小結
參考文獻
第4章 社團檢測
4.1 社團檢測的基本概念
4.1.1 問題描述
4.1.2 評價指標
4.2 傳統社團檢測算法
4.2.1 快速貪婪算法
4.2.2 標簽傳播算法
4.2.3 Infomap算法
4.3 深度社團檢測算法
4.3.1 GraphEncoder模型
4.3.2 DNGR模型
4.3.3 DANE模型
4.3.4 SDCN模型
4.4 社團檢測應用
4.5 本章小結
參考文獻
第5章 圖分類
5.1 圖分類的基本概念
5.1.1 圖分類
5.1.2 評價指標
5.2 基于手動特征的圖分類
5.3 基于圖核的圖分類
5.3.1 基于隨機游走的圖核
5.3.2 基于*短路徑的圖核
5.3.3 基于WL子樹的圖核
5.4 基于圖嵌入的圖分類
5.4.1 subgraph2vec
5.4.2 graph2vec
5.5 基于深度學習的圖分類
5.5.1 DGCNN
5.5.2 DiffPool
5.5.3 SAGPool
5.5.4 CapsGNN
5.6 圖分類應用
5.7 本章小結
參考文獻
第6章 對抗攻擊
6.1 對抗攻擊的基本概念
6.1.1 問題描述
6.1.2 評價指標
6.1.3 方法分類
6.2 針對節點分類的對抗攻擊
6.2.1 NETTACK
6.2.2 基于元梯度的攻擊方法
6.3 針對鏈路預測的對抗攻擊
6.3.1 基于RA的啟發式攻擊方法
6.3.2 梯度攻擊方法
6.4 針對社團檢測的對抗攻擊
6.4.1 啟發式攻擊方法
6.4.2 基于進化計算的攻擊方法
6.5 針對圖分類的對抗攻擊
6.5.1 基于強化學習的攻擊方法
6.5.2 后門攻擊方法
6.6 實驗和分析
6.6.1 基本實驗結果
6.6.2 實驗結果可視化
6.7 本章小結
參考文獻
第7章 對抗防御
7.1 對抗訓練
7.1.1 圖對抗訓練
7.1.2 平滑對抗訓練
7.2 圖凈化
7.2.1 GCN-Jaccard
7.2.2 GCN-SVD
7.3 注意力機制
7.3.1 懲罰聚合GNN
7.3.2 魯棒圖卷積網絡
7.4 魯棒性驗證
7.4.1 節點屬性擾動下的魯棒性驗證
7.4.2 圖結構擾動下的魯棒性驗證
7.5 對抗檢測
7.5.1 基于節點分類的對抗檢測
7.5.2 基于圖分類的對抗檢測
7.6 實驗和分析
7.6.1 對抗訓練
7.6.2 對抗檢測
7.7 本章小結
參考文獻
第8章 圖數據增強
8.1 社團檢測相關的數據增強
8.1.1 基本定義
8.1.2 .基于多目標優化的網絡社團結構增強
8.1.3 基于相似性集成的社團檢測增強
8.1.4 社團檢測增強實驗
8.2 圖分類相關的數據增強
8.2.1 基本定義
8.2.2 基于結構映射的數據增強
8.2.3 基于子圖網絡的特征擴充
8.2.4 圖分類增強實驗
8.2.5 M-Evolve的多任務拓展
8.2.6 SGN的多任務拓展
8.3 節點分類相關的數據增強
8.3.1 基本定義
8.3.2 基于邊移除的數據增強
8.3.3 節點分類的增強實驗
8.4 本章小結
參考文獻
展開全部
圖機器學習/網絡科學與工程叢書 作者簡介
宣琦，浙江工業大學網絡空間安全研究院院長、教授、博士生導師。入選浙江省院士結對培養青年英才計劃、浙江省高校中青年學科帶頭人、浙江省杰出青年基金獲得者，主持國家自然科學基金聯合重點項目及多項面上項目。主要從事圖機器學習、互聯網數據挖掘以及人工智能安全等領域的研究工作，在TKDE、PRE、ICSE、FSE等期刊及會議發表學術論文100余篇。曾赴卡內基梅隆大學、加州大學戴維斯分校、香港城市大學從事博士后和訪問學者合作研究。目前任中國人工智能學會社會計算與社會智能、中國指揮與控制學會網絡科學與工程等專業委員會委員。
書友推薦
- >
【精裝繪本】畫給孩子的中國神話
- >
莉莉和章魚
- >
姑媽的寶刀
- >
龍榆生：詞曲概論/大家小書
- >
回憶愛瑪儂
- >
經典常談
- >
自卑與超越
- >
山海經
本類暢銷
