掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
闖進數學世界――探秘歷史名題
-
>
中醫基礎理論
-
>
當代中國政府與政治(新編21世紀公共管理系列教材)
-
>
高校軍事課教程
-
>
思想道德與法治(2021年版)
-
>
毛澤東思想和中國特色社會主義理論體系概論(2021年版)
-
>
中醫內科學·全國中醫藥行業高等教育“十四五”規劃教材
安全可信圖學習方法與應用 版權信息
- ISBN：9787030812971
- 條形碼：9787030812971 ; 978-7-03-081297-1
- 裝幀：平裝
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
安全可信圖學習方法與應用 內容簡介
圖學習是典型的多學科交叉方向，涉及復雜網絡、社交網絡分析、數據挖掘、機器學習等多個領域。本書共8章，其中第1章闡述圖的主要類型與形式化定義、基本屬性及圖學習的發展歷程。第2章介紹圖學習的基本任務以及相關的傳統圖學習模型方法和圖神經網絡模型。第3章介紹圖數據挖掘方法。第4章介紹圖數據隱私保護方法。第5章和第6章分別介紹圖模型對抗攻擊與對抗防御方法。第7章介紹圖模型魯棒性解釋、測評與修復方法。第8章介紹圖學習模型在知識計算領域的應用探索。
安全可信圖學習方法與應用 目錄
目錄第1章 概論 11.1 圖結構化數據表示 11.2 圖的類型與形式化定義 21.2.1 圖的主要類型 21.2.2 圖的形式化定義 31.3 圖的基本屬性 41.3.1 節點度與度分布 41.3.2 連通性 51.3.3 直徑 61.3.4 聚類系數 61.3.5 同配系數 61.4 圖學習的發展歷程 71.4.1 圖學習的概念 71.4.2 圖學習的應用 91.5 安全可信圖學習 101.5.1 面臨的安全風險 101.5.2 研究現狀與挑戰 101.6 本章小結 13參考文獻 13第2章 圖學習基礎模型 162.1 圖學習的基本任務 162.1.1 節點分類 162.1.2 圖分類 172.1.3 鏈路預測 172.1.4 節點重要性 182.1.5 社團檢測 182.1.6 信息傳播預測 192.2 傳統圖學習模型方法 202.2.1 節點分類方法 202.2.2 圖分類方法 212.2.3 鏈路預測方法 232.2.4 節點重要性度量 252.2.5 社團檢測方法 262.2.6 信息傳播預測方法 292.3 圖神經網絡模型 302.3.1 GCN模型 302.3.2 GraphSAGE模型 322.3.3 GAT模型 322.4 本章小結 33參考文獻 34第3章 圖數據挖掘方法 363.1 社團檢測方法 363.1.1 問題定義 363.1.2 標簽傳播方案 363.1.3 基于LPA的社團檢測方法 373.1.4 實驗結果與分析 413.2 節點重要性度量方法 453.2.1 問題定義 453.2.2 基于特征向量中心性的節點中心性度量 463.2.3 實驗結果與分析 493.3 基于相似性的鏈路預測與圖演化方法 513.3.1 問題定義 513.3.2 圖演化預測模型 523.3.3 實驗結果與分析 553.4 基于深度生成式模型的鏈路預測方法 563.4.1 問題定義 563.4.2 基于自表征的協同推理 573.4.3 高階連通性計算 583.4.4 多尺度模式融合 593.4.5 實驗結果與分析 593.5 基于決策建模的信息傳播預測方法 613.5.1 問題定義 613.5.2 基于局部決策模型的傳播預測 623.5.3 實驗結果與分析 653.6 本章小結 69參考文獻 69第4章 圖數據隱私保護方法 724.1 圖數據隱私保護概述 724.1.1 圖數據隱私問題 724.1.2 隱私攻擊與保護方法 724.2 基于推理重構的圖數據隱私風險評估 754.2.1 圖推理攻擊問題框架 754.2.2 圖結構擾動匿名方法 754.2.3 多層結構學習的推理攻擊模型 794.2.4 實驗結果與分析 814.3 基于多視圖推理重構的圖數據隱私風險評估 844.3.1 問題定義與描述 844.3.2 圖結構去匿名 854.3.3 實驗結果與分析 884.4 面向隱私保護的圖數據挖掘與調控方法 914.4.1 問題定義與描述 924.4.2 圖結構建模與鏈路預測 924.4.3 鏈路可預測性度量與調控 934.4.4 實驗結果與分析 954.5 本章小結 97參考文獻 98第5章 圖模型對抗攻擊方法 1005.1 圖模型對抗攻擊概述 1005.1.1 圖神經網絡對抗攻擊定義 1005.1.2 圖神經網絡對抗攻擊類型 1005.1.3 圖神經網絡對抗擾動類型 1015.2 基于鏈路重要性的圖模型對抗攻擊方法 1025.2.1 問題定義及框架 1025.2.2 基于深度結構的鏈路預測對抗攻擊模型 1035.2.3 實驗結果與分析 1085.3 圖模型數據竊取攻擊方法 1125.3.1 問題定義及框架 1125.3.2 基于轉置卷積的圖模型數據竊取攻擊方法 1145.3.3 實驗結果與分析 1165.4 典型圖模型對抗攻擊方法比較分析 1185.4.1 圖神經網絡對抗攻擊方法 1185.4.2 實驗結果與分析 1195.5 本章小結 122參考文獻 122第6章 圖模型對抗防御方法 1246.1 圖模型對抗防御概述 1246.1.1 基于預處理的對抗防御方法 1246.1.2 基于對抗訓練的對抗防御方法 1246.1.3 基于魯棒性模型設計的對抗防御方法 1256.1.4 基于攻擊檢測的對抗防御方法 1256.2 基于局部光滑性與自訓練的魯棒性圖模型 1256.2.1 圖數據對抗攻擊實證分析 1266.2.2 基于局部光滑性的圖數據純化 1266.2.3 基于決策邊界距離的樣本可信性度量 1276.2.4 基于自訓練框架的魯棒性圖模型 1296.2.5 實驗結果與分析 1306.3 基于集成學習的魯棒性圖模型 1356.3.1 問題定義與描述 1356.3.2 基于相似性的輔助圖構建 1366.3.3 基于多視圖集成學習的魯棒性圖卷積網絡 1366.3.4 實驗結果與分析 1386.4 基于球形決策邊界約束的魯棒性圖模型 1416.4.1 問題定義與描述 1426.4.2 基于可信度量的球形決策邊界 1426.4.3 基于球形決策邊界的魯棒性約束方法 1436.4.4 實驗結果與分析 1466.5 本章小結 154參考文獻 154第7章 圖模型魯棒性解釋、測評與修復 1567.1 圖模型魯棒性的探索性分析 1567.1.1 圖神經網絡對抗攻擊魯棒性探索 1567.1.2 圖神經網絡對抗攻擊魯棒性實證分析 1587.2 圖模型對抗魯棒性測評方法 1727.2.1 深度神經網絡魯棒性測評指標 1727.2.2 圖神經網絡魯棒性測評方法指標 1747.3 基于微調的圖模型魯棒性修復方法 1757.3.1 基于微調的投毒模型修復 1757.3.2 實驗結果與分析 1787.4 本章小結 185參考文獻 186第8章 面向知識計算的圖學習應用 1888.1 基于圖學習模型的關系抽取方法 1888.1.1 基于GNN的關系抽取框架 1898.1.2 基于GNN的關系抽取模型可解釋性 1908.1.3 基于GNN的關系抽取模型Graph-MLP 1958.1.4 實驗結果與分析 1968.2 少樣本知識圖譜推理補全方法 1988.2.1 少樣本條件下知識圖譜關系預測 1988.2.2 基于鄰居聚合的少樣本關系預測算法 2028.2.3 實驗結果與分析 2038.3 知識圖譜自動問答方法 2098.3.1 知識圖譜自動問答方法框架 2098.3.2 基于圖卷積神經網絡的問答表示方法 2108.3.3 實驗結果與分析 2148.4 本章小結 218參考文獻 218附錄 220
展開全部
書友推薦
- >
隨園食單
- >
朝聞道
- >
伊索寓言-世界文學名著典藏-全譯本
- >
【精裝繪本】畫給孩子的中國神話
- >
月亮虎
- >
伯納黛特,你要去哪(2021新版)
- >
名家帶你讀魯迅:朝花夕拾
- >
龍榆生：詞曲概論/大家小書
本類暢銷
