深入淺出圖神經(jīng)網(wǎng)絡：GNN原理解析

定　價：￥89.00

作　者：	劉忠雨，李彥霖，周洋著
出版社：	機械工業(yè)出版社
叢編項：	智能系統(tǒng)與技術(shù)叢書
標　簽：	暫缺

購買這本書可以去

京東 (￥89.00)

ISBN：	9787111643630	出版時間：	2020-01-01	包裝：	平裝
開本：	16開	頁數(shù)：	224	字數(shù)：

內(nèi)容簡介

　　這是一本從原理、算法、實現(xiàn)、應用4個維度詳細講解圖神經(jīng)網(wǎng)絡的著作-在圖神經(jīng)網(wǎng)絡領域具有重大的意義。本書作者是圖神經(jīng)網(wǎng)絡領域的資深技術(shù)專家-作者所在的公司極驗也是該領域的領先者。本書是作者和極驗多年研究與實踐經(jīng)驗的總結(jié)-內(nèi)容系統(tǒng)、扎實、深入淺出-得到了白翔、俞棟等多位學術(shù)界和企業(yè)界領軍人物的高度評價及強烈推薦。全書共10章：第1～4章全面介紹了圖、圖數(shù)據(jù)、卷積神經(jīng)網(wǎng)絡以及表示學習等基礎知識-是閱讀本書的預備知識；第5～6章從理論的角度出發(fā)-講解了圖信號處理和圖卷積神經(jīng)網(wǎng)絡-深入剖析了圖卷積神經(jīng)網(wǎng)絡的性質(zhì)-并提供了GCN實現(xiàn)節(jié)點分類的實例；第7～9章全面講解了圖神經(jīng)網(wǎng)絡的各種變體及范式、圖分類機制及其實踐-以及基于GNN的圖表示學習；第10章介紹了圖神經(jīng)網(wǎng)絡的新研究和應用。

作者簡介

　　劉忠雨畢業(yè)于華中科技大學，資深圖神經(jīng)網(wǎng)絡技術(shù)專家，極驗科技人工智能實驗室主任和首席技術(shù)官。在機器學習、深度學習以及圖學習領域有6年以上的算法架構(gòu)和研發(fā)經(jīng)驗，主導研發(fā)了極驗行為驗證、深知業(yè)務風控、疊圖等產(chǎn)品，極驗科技目前服務于全球 26萬家企業(yè)。李彥霖畢業(yè)于武漢大學，極驗人工智能實驗室技術(shù)專家。一直從事機器學習、深度學習、圖學習領域的研究工作。在深度神經(jīng)網(wǎng)絡算法研發(fā)、圖神經(jīng)網(wǎng)絡在計算機視覺以及風控中的應用等領域?qū)嵺`經(jīng)驗豐富。周洋工學博士，畢業(yè)于武漢大學，目前在華中師范大學任教。曾受邀到北卡羅萊納大學訪學，長期在大數(shù)據(jù)挖掘前沿領域進行探索和研究，并應用于地理時空大數(shù)據(jù)、交通地理等諸多方向，已發(fā)表SCI&SSCI及核心期刊論文10余篇。

圖書目錄

前言
第1章　圖的概述 1
1.1　圖的基本定義 1
1.1.1　圖的基本類型 2
1.1.2　鄰居和度 4
1.1.3　子圖與路徑 4
1.2　圖的存儲與遍歷 5
1.2.1　鄰接矩陣與關(guān)聯(lián)矩陣 5
1.2.2　圖的遍歷 6
1.3　圖數(shù)據(jù)的應用場景 7
1.4　圖數(shù)據(jù)深度學習 10
1.5　參考文獻 13
第2章　神經(jīng)網(wǎng)絡基礎 17
2.1　機器學習基本概念 17
2.1.1　機器學習分類 17
2.1.2　機器學習流程概述 18
2.1.3　常見的損失函數(shù) 21
2.1.4　梯度下降算法 23
2.2　神經(jīng)網(wǎng)絡 25
2.2.1　神經(jīng)元 25
2.2.2　多層感知器 27
2.3　激活函數(shù) 29
2.3.1　S型激活函數(shù) 30
2.3.2　ReLU及其變種 30
2.4　訓練神經(jīng)網(wǎng)絡 33
2.4.1　神經(jīng)網(wǎng)絡的運行過程 34
2.4.2　反向傳播 34
2.4.3　優(yōu)化困境 36
2.5　參考文獻 38
第3章　卷積神經(jīng)網(wǎng)絡 39
3.1　卷積與池化 39
3.1.1　信號處理中的卷積 39
3.1.2　深度學習中的卷積操作 42
3.1.3　池化 46
3.2　卷積神經(jīng)網(wǎng)絡 46
3.2.1　卷積神經(jīng)網(wǎng)絡的結(jié)構(gòu) 47
3.2.2　卷積神經(jīng)網(wǎng)絡的特點 49
3.3　特殊的卷積形式 51
3.3.1　1×1卷積 51
3.3.2　轉(zhuǎn)置卷積 52
3.3.3　空洞卷積 54
3.3.4　分組卷積 55
3.3.5　深度可分離卷積 55
3.4　卷積網(wǎng)絡在圖像分類中的應用 56
3.4.1　VGG 56
3.4.2　Inception系列 57
3.4.3　ResNet 60
3.5　參考文獻 62
第4章　表示學習 65
4.1　表示學習 65
4.1.1　表示學習的意義 65
4.1.2　離散表示與分布式表示 66
4.1.3　端到端學習是一種強大的表示學習方法 68
4.2　基于重構(gòu)損失的方法—自編碼器 69
4.2.1　自編碼器 69
4.2.2　正則自編碼器 71
4.2.3　變分自編碼器 72
4.3　基于對比損失的方法—Word2vec 75
4.4　參考文獻 79
第5章　圖信號處理與圖卷積神經(jīng)網(wǎng)絡 81
5.1　矩陣乘法的三種方式 81
5.2　圖信號與圖的拉普拉斯矩陣 83
5.3　圖傅里葉變換 85
5.4　圖濾波器 90
5.4.1　空域角度 93
5.4.2　頻域角度 94
5.5　圖卷積神經(jīng)網(wǎng)絡 96
5.6　GCN實戰(zhàn) 101
5.7　參考文獻 109
第6章　GCN的性質(zhì) 111
6.1　GCN與CNN的聯(lián)系 111
6.2　GCN能夠?qū)D數(shù)據(jù)進行端對端學習 115
6.3　GCN是一個低通濾波器 120
6.4　GCN的問題—過平滑 122
6.5　參考文獻 127
第7章　GNN的變體與框架 129
7.1　GraphSAGE 129
7.1.1　采樣鄰居 130
7.1.2　聚合鄰居 131
7.1.3　GraphSAGE算法過程 132
7.2　GAT 134
7.2.1　注意力機制 134
7.2.2　圖注意力層 137
7.2.3　多頭圖注意力層 138
7.3　R-GCN 140
7.3.1　知識圖譜 140
7.3.2　R-GCN 141
7.4　GNN的通用框架 143
7.4.1　MPNN 143
7.4.2　NLNN 146
7.4.3　GN 147
7.5　GraphSAGE實戰(zhàn) 148
7.6　參考文獻 153
第8章　圖分類 155
8.1　基于全局池化的圖分類 155
8.2　基于層次化池化的圖分類 156
8.2.1　基于圖坍縮的池化機制 157
8.2.2　基于TopK的池化機制 165
8.2.3　基于邊收縮的池化機制 168
8.3　圖分類實戰(zhàn) 169
8.4　參考文獻 177
第9章　基于GNN的圖表示學習 179
9.1　圖表示學習 180
9.2　基于GNN的圖表示學習 182
9.2.1　基于重構(gòu)損失的GNN 183
9.2.2　基于對比損失的GNN 184
9.3　基于圖自編碼器的推薦系統(tǒng) 188
9.4　參考文獻 195
第10章　GNN的應用簡介 197
10.1　GNN的應用簡述 197
10.2　GNN的應用案例 199
10.2.1　3D視覺 199
10.2.2　基于社交網(wǎng)絡的推薦系統(tǒng) 203
10.2.3　視覺推理 205
10.3　GNN的未來展望 208
10.4　參考文獻 209
附錄A　符號聲明 211