预购商品
书目分类
特别推荐
第一部分 引言 第1章 表徵學習 2 1.1 導讀 2 1.2 不同領域的表徵學習 3 1.2.1 用於影像處理的表徵學習 3 1.2.2 用於語音辨識的表徵學習 5 1.2.3 用於自然語言處理的表徵學習 7 1.2.4 用於網路分析的表徵學習 8 1.3 小結 9 第2章 圖表徵學習 11 2.1 導讀 11 2.2 傳統圖嵌入方法 12 2.3 現代圖嵌入方法 13 2.3.1 保留圖結構和屬性的圖表徵學習 13 2.3.2 帶有側面資訊的圖表徵學習 15 2.3.3 保留高級資訊的圖表徵學習 15 2.4 圖神經網路 16 2.5 小結 17 第3章 圖神經網路 18 3.1 導讀 18 3.2 圖神經網路概述 19 3.2.1 圖神經網路基礎 19 3.2.2 圖神經網路前沿 20 3.2.3 圖神經網路應用 22 3.2.4 本書組織結構 23 3.3 小結 24 第二部分 基礎 第4章 用於節點分類的圖神經網路 28 4.1 背景和問題定義 28 4.2 有監督的圖神經網路 29 4.2.1 圖神經網路的一般框架 29 4.2.2 圖卷積網路 30 4.2.3 圖注意力網路 32 4.2.4 消息傳遞神經網路 33 4.2.5 連續圖神經網路 33 4.2.6 多尺度譜圖卷積網路 35 4.3 無監督的圖神經網路 37 4.3.1 變分圖自編碼器 37 4.3.2 深度圖資訊最大化 39 4.4 過平滑問題 41 4.5 小結 42 第5章 圖神經網路的表達能力 44 5.1 導讀 44 5.2 圖表徵學習和問題的提出 47 5.3 強大的消息傳遞圖神經網路 49 5.3.1 用於集合的神經網路 49 5.3.2 消息傳遞圖神經網路 50 5.3.3 MP-GNN的表達能力 51 5.3.4 具有1-WL測試能力的MP-GNN 53 5.4 比1-WL測試更強大的圖神經網路架構 54 5.4.1 MP-GNN的局限性 54 5.4.2 注入隨機屬性 56 5.4.3 注入確定性距離屬性 61 5.4.4 建立高階圖神經網路 65 5.5 小結 69 第6章 圖神經網路的可擴展性 71 6.1 導讀 71 6.2 引言 72 6.3 抽樣範式 72 6.3.1 節點級抽樣 74 6.3.2 層級抽樣 76 6.3.3 圖級抽樣 79 6.4 大規模圖神經網路在推薦系統中的應用 82 6.4.1 物品-物品推薦 82 6.4.2 用戶-物品推薦 83 6.5 未來的方向 84 第7章 圖神經網路的可解釋性 86 7.1 背景：深度模型的可解釋性 86 7.1.1 可解釋性和解釋的定義 86 7.1.2 解釋的價值 87 7.1.3 傳統的解釋方法 88 7.1.4 機遇與挑戰 90 7.2 圖神經網路的解釋方法 90 7.2.1 背景 91 7.2.2 基於近似的解釋 92 7.2.3 基於相關性傳播的解釋 95 7.2.4 基於擾動的解釋 96 7.2.5 生成式解釋 97 7.3 圖神經網路的可解釋模型 97 7.3.1 基於GNN的注意力模型 98 7.3.2 圖上的解耦化表徵學習 100 7.4 圖神經網路解釋的評估 101 7.4.1 基準資料集 101 7.4.2 評價指標 103 7.5 未來的方向 103 第8章 圖神經網路的對抗魯棒性 105 8.1 動機 105 8.2 圖神經網路的局限性：對抗性樣本 107 8.2.1 對抗性攻擊的分類 107 8.2.2 擾動的影響和一些啟示 110 8.2.3 討論和未來的方向 112 8.3 可證明的魯棒性：圖神經網路的認證 113 8.3.1 特定模型的認證 113 8.3.2 模型無關的認證 115 8.3.3 高級認證和討論 116 8.4 提高圖神經網路的魯棒性 117 8.4.1 改進圖 117 8.4.2 改進訓練過程 118 8.4.3 改進圖神經網路的架構 120 8.4.4 討論和未來的方向 121 8.5 從魯棒性的角度進行適當評估 122 8.6 小結 124 第三部分 前沿 第9章 圖分類 128 9.1 導讀 128 9.2 用於圖分類的圖神經網路：典型工作和現代架構 129 9.2.1 空間方法 129 9.2.2 頻譜方法 132 9.3 池化層：從節點級輸出學習圖級輸出 133 9.3.1 基於注意力的池化層 134 9.3.2 基於聚類的池化層 134 9.3.3 其他池化層 134 9.4 圖神經網路和高階層在圖分類中的局限性 135 9.5 圖神經網路在圖分類中的應用 137 9.6 基準資料集 137 9.7 小結 138 第10章 連結預測 139 10.1 導讀 139 10.2 傳統的連結預測方法 140 10.2.1 啟發式方法 140 10.2.2 潛在特徵方法 143 10.2.3 基於內容的方法 145 10.3 基於GNN的連結預測方法 145 10.3.1 基於節點的方法 145 10.3.2 基於子圖的方法 147 10.3.3 比較基於節點的方法和基於子圖的方法 150 10.4 連結預測的理論 151 10.4.1 γ?C衰減啟發式理論 151 10.4.2 貼標籤技巧 155 10.5 未來的方向 158 10.5.1 加速基於子圖的方法 158 10.5.2 設計更強大的貼標籤技巧 159 10.5.3 瞭解何時使用獨熱特徵 159 第11章 圖生成 160 11.1 導讀 160 11.2 經典的圖生成模型 160 11.2.1 Erd s-Rényi模型 161 11.2.2 隨機塊模型 162 11.3 深度圖生成模型 163 11.3.1 表徵圖 163 11.3.2 變分自編碼器方法 164 11.3.3 深度自回歸方法 168 11.3.4 生成對抗網路方法 174 11.4 小結 178 第12章 圖轉換 179 12.1 圖轉換問題的形式化 179 12.2 節點級轉換 180 12.2.1 節點級轉換的定義 180 12.2.2 交互網路 180 12.2.3 時空卷積迴圈神經網路 181 12.3 邊級轉換 182 12.3.1 邊級轉換的定義 182 12.3.2 圖轉換生成對抗網路 183 12.3.3 多尺度圖轉換網路 184 12.3.4 圖轉換策略網路 185 12.4 節點-邊共轉換 186 12.4.1 節點-邊共轉換的定義 186 12.4.2 基於編輯的節點-邊共轉換 190 12.5 其他基於圖的轉換 193 12.5.1 序列到圖的轉換 193 12.5.2 圖到序列的轉換 194 12.5.3 上下文到圖的轉換 195 12.6 小結 196 第13章 圖匹配 197 13.1 導讀 197 13.2 圖匹配學習 198 13.2.1 問題的定義 199 13.2.2 基於深度學習的圖匹配模型 200 13.2.3 基於GNN的圖匹配模型 201 13.3 圖相似性學習 205 13.3.1 問題的定義 205 13.3.2 圖-圖回歸任務 206 13.3.3 圖-圖分類任務 209 13.4 小結 210 第14章 圖結構學習 211 14.1 導讀 211 14.2 傳統的圖結構學習 212 14.2.1 無監督圖結構學習 212 14.2.2 有監督圖結構學習 214 14.3 圖神經網路的圖結構學習 215 14.3.1 圖結構和表徵的聯合學習 216 14.3.2 與其他問題的聯繫 225 14.4 未來的方向 226 14.4.1 魯棒的圖結構學習 226 14.4.2 可擴展的圖結構學習 226 14.4.3 異質圖的圖結構學習 227 14.5 小結 227 第15章 動態圖神經網路 228 15.1 導讀 228 15.2 背景和標記法 229 15.2.1 圖神經網路 229 15.2.2 序列模型 230 15.2.3 編碼器-解碼器框架和模型訓練 233 15.3 動態圖的類型 233 15.3.1 離散型與連續型 234 15.3.2 演變類型 235 15.3.3 預測問題、內插法和外推法 235 15.4 用圖神經網路對動態圖進行建模 236 15.4.1 將動態圖轉換為靜態圖 236 15.4.2 用於DTDG的圖神經網路 238 15.4.3 用於CTDG的圖神經網路 240 15.5 應用 242 15.5.1 基於骨架的人類活動識別 243 15.5.2 交通預測 244 15.5.3 時序知識圖譜補全 245 15.6 小結 247 第16章 異質圖神經網路 248 16.1 HGNN簡介 248 16.1.1 HG的基本概念 249 16.1.2 異質性給HG嵌入帶來的獨特挑戰 250 16.1.3 對HG嵌入最新發展的簡要概述 251 16.2 淺層模型 251 16.2.1 基於分解的方法 252 16.2.2 基於隨機遊走的方法 253 16.3 深度模型 254 16.3.1 基於消息傳遞的方法 254 16.3.2 基於編碼器-解碼器的方法 257 16.3.3 基於對抗的方法 257 16.4 回顧 259 16.5 未來的方向 259 16.5.1 結構和屬性保存 259 16.5.2 更深入的探索 260 16.5.3 可靠性 260 16.5.4 應用 261 第17章 自動機器學習 262 17.1 背景 262 17.1.1 AutoGNN的標記法 264 17.1.2 AutoGNN的問題定義 264 17.1.3 AutoGNN的挑戰 265 17.2 搜索空間 265 17.2.1 架構搜索空間 266 17.2.2 訓練超參數搜索空間 268 17.2.3 高效的搜索空間 269 17.3 搜索演算法 269 17.3.1 隨機搜索 269 17.3.2 進化搜索 270 17.3.3 基於強化學習的搜索 270 17.3.4 可微搜索 271 17.3.5 高效的表現評估 272 17.4 未來的方向 273 第18章 自監督學習 275 18.1 導讀 275 18.2 自監督學習概述 276 18.3 將SSL應用於圖神經網路：對訓練策略、損失函數和代理任務進行分類 277 18.3.1 訓練策略 278 18.3.2 損失函數 281 18.3.3 代理任務 283 18.4 節點級代理任務 283 18.4.1 基於結構的節點級代理任務 284 18.4.2 基於特徵的節點級代理任務 285 18.4.3 混合代理任務 285 18.5 圖級代理任務 287 18.5.1 基於結構的圖級代理任務 287 18.5.2 基於特徵的圖級代理任務 291 18.5.3 混合代理任務 291 18.6 節點-圖級代理任務 293 18.7 討論 294 18.8 小結 295 第四部分 廣泛和新興的應用 第19章 現代推薦系統中的圖神經網路 298 19.1 圖神經網路在推薦系統中的實踐 298 19.1.1 簡介 298 19.1.2 預測用戶-物品偏好的經典方法 302 19.1.3 使用者-物品推薦系統中的物品推薦：二分圖的視角 302 19.2 案例研究1：動態的GNN學習 304 19.2.1 動態序貫圖 304 19.2.2 DSGL 304 19.2.3 模型預測 307 19.2.4 實驗和討論 308 19.3 案例研究2：設備-雲協作的GNN學習 309 19.3.1 提議的框架 309 19.3.2 實驗和討論 312 19.4 未來的方向 313 第20章 電腦視覺中的圖神經網路 315 20.1 導讀 315 20.2 將視覺表徵為圖 316 20.2.1 視覺節點表徵 316 20.2.2 視覺邊表徵 317 20.3 案例研究1：圖像 318 20.3.1 物體檢測 318 20.3.2 圖像分類 319 20.4 案例研究2：視頻 320 20.4.1 視頻動作識別 320 20.4.2 時序動作定位 322 20.5 其他相關工作：跨媒體 322 20.5.1 視覺描述 322 20.5.2 視覺問答 323 20.5.3 跨媒體檢索 324 20.6 圖神經網路在電腦視覺中的前沿問題 324 20.6.1 用於電腦視覺的高級圖神經網路 325 20.6.2 圖神經網路在電腦視覺中的更廣泛應用 325 20.7 小結 326 第21章 自然語言處理中的圖神經網路 327 21.1 導讀 327 21.2 將文本建模為圖 329 21.2.1 自然語言處理中的圖表徵 329 21.2.2 從圖的角度完成自然語言處理任務 330 21.3 案例研究1：基於圖的文本聚類和匹配 332 21.3.1 基於圖聚類的熱點事件發現和組織 332 21.3.2 使用圖分解和卷積進行長文檔匹配 333 21.4 案例研究2：基於圖的多跳閱讀理解 335 21.5 未來的方向 338 21.6 小結 339 第22章 程式分析中的圖神經網路 341 22.1 導讀 341 22.2 程式分析中的機器學習 342 22.3 程式的圖表徵 343 22.4 用於程式圖的圖神經網路 345 22.5 案例研究1：檢測變數誤用缺陷 346 22.6 案例研究2：預測動態類型化語言中的類型 348 22.7 未來的方向 350 第23章 軟體挖掘中的圖神經網路 352 23.1 導讀 352 23.2 將軟體建模為圖 353 23.2.1 宏觀與微觀層面的表徵 353 23.2.2 將宏觀和微觀層面的表徵結合起來 354 23.3 相關的軟體挖掘任務 355 23.4 軟體挖掘任務實例：原始程式碼總結 357 23.4.1 基於GNN的原始程式碼總結快速入門 357 23.4.2 改進的方向 363 23.5 小結 364 第24章 藥物開發中基於圖神經網路的生物醫學知識圖譜挖掘 366 24.1 導讀 366 24.2 現有的生物醫學知識圖譜 367 24.3 知識圖譜的推理 369 24.3.1 傳統的KG推理技術 370 24.3.2 基於GNN的KG推理技術 371 24.4 藥物開發中基於KG的假設生成 374 24.4.1 基於KG的藥物再利用的機器學習框架 374 24.4.2 基於KG的藥物再利用在COVID-19中的應用 375 24.5 未來的方向 376 24.5.1 KG品質控制 376 24.5.2 可擴展的推理 377 24.5.3 KG與其他生物醫學資料的結合 378 第25章 預測蛋白質功能和相互作用的圖神經網路 383 25.1 從蛋白質的相互作用到功能簡介 383 25.1.1 登上舞臺：蛋白質-蛋白質相互作用網路 384 25.1.2 問題形式化、假設和雜訊：從歷史的視角 384 25.1.3 淺層機器學習模型 385 25.1.4 好戲上演：圖神經網路 386 25.2 三個典型的案例研究 387 25.2.1 案例研究1：蛋白質-蛋白質和蛋白質-藥物相互作用的預測 387 25.2.2 案例研究2：蛋白質功能和功能重要的殘差的預測 389 25.2.3 案例研究3：使用圖自編碼器從生物網路的表徵中學習多關係連結預測 391 25.3 未來的方向 393 第26章 異常檢測中的圖神經網路 395 26.1 導讀 395 26.2 基於GNN的異常檢測的問題 397 26.2.1 特定於資料的問題 397 26.2.2 特定於任務的問題 399 26.2.3 特定於模型的問題 399 26.3 流水線 400 26.3.1 圖的構建和轉換 400 26.3.2 圖表徵學習 401 26.3.3 預測 402 26.4 分類法 403 26.5 案例研究 404 26.5.1 案例研究1：用於惡意帳戶檢測的圖嵌入 404 26.5.2 案例研究2：基於層次注意力機制的套現用戶檢測 404 26.5.3 案例研究3：用於惡意程式檢測的注意力異質圖神經網路 405 26.5.4 案例研究4：通過圖神經網路學習程式表徵和相似性度量的圖匹配框架，用於檢測未知的惡意程式 406 26.5.5 案例研究5：使用基於注意力的時間GCN進行動態圖的異常檢測 408 26.5.6 案例研究6：使用GAS進行垃圾評論檢測 408 26.6 未來的方向 409 第27章 智慧城市中的圖神經網路 410 27.1 用於智慧城市的圖神經網路 410 27.1.1 導讀 410 27.1.2 圖神經網路在智慧城市中的應用場景 411 27.1.3 將城市系統表徵為圖 413 27.1.4 案例研究1：圖神經網路在交通和城市規劃中的應用 415 27.1.5 案例研究2：圖神經網路在城市事件和異常情況預測中的應用 417 27.1.6 案例研究3：圖神經網路在城市人類行為分析中的應用 417 27.2 未來的方向 419 參考文獻 420
吳淩飛博士 畢業于美國公立常春藤盟校之一的威廉與瑪麗學院電腦系。目前他是Pinterest公司主管知識圖譜和內容理解的研發工程經理。曾任京東矽谷研究中心的首席科學家和IBM Thomas J. Vatson Research Centerl的高級研究員。主要研究方向是機器學習、表徵學習和自然語言處理的有機結合，在圖神經網路及其應用方面有深入研究。他在機器學習、深度學習等領域的著名會議或期刊上發表100多篇論文。 崔鵬博士 清華大學電腦系終身副教授。于2010年在清華大學獲得博士學位。研究興趣包括資料採擷、機器學習和多媒體分析，擅長網路表示學習、因果推理和穩定學習、社會動力學建模和用戶行為建模等。他在機器學習和資料採擷領域的著名會議或期刊上發表100多篇論文。 裴健博士 杜克大學電子與電腦工程系教授。他是資料科學、大資料、資料採擷和資料庫系統等領域的研究人員。他擅長為新型資料密集型應用開發有效的資料分析技術，並將其研究成果轉化為產品和商業實踐。自2000年以來，他已經出版一本教科書、兩本專著，並在眾多具有影響力的會議或期刊上發表300多篇論文。 趙亮博士 埃默里大學計算科學系助理教授。曾在喬治梅森大學資訊科學與技術系和電腦科學系擔任助理教授。於2016年在維吉尼亞理工大學電腦科學系獲得博士學位。研究興趣包括資料採擷、人工智慧和機器學習，在時空和網路資料採擷、圖深度學習、非凸優化、事件預測和可解釋機器學習等方面有深入研究。
客服公告
热门活动
订阅电子报
