圖表示學習

定　價：￥109.00

作　者：	[美] William Hamilton 著
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787121410772	出版時間：	2021-05-01	包裝：
開本：	16開	頁數：	208	字數：

內容簡介

　　本書提供了一份關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絡分析的關鍵方法論。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網絡（ Graph Neural Network， GNN）進行了技術上的綜合介紹， GNN已成為圖數據深度學習領域占主導地位且迅速發(fā)展的范式。最后，本書總結了針對圖的深度生成模型的前沿進展，這是圖表示學習新生但發(fā)展迅速的子集。

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，他在機器學習和網絡科學領域的頂級會議發(fā)表了20 多篇關于圖表示學習的論文，并且參與組織了關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Arthur 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，介紹學術前沿、展示研究機構風采，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，探索人工智能領域的未來。

圖書目錄

第一部分背景介紹
第1 章引言 ............................................................................................... 2
1.1 什么是圖 .......................................................................................... 3
1.2 圖機器學習 ...................................................................................... 6

第2 章背景與傳統方法 ............................................................................ 13
2.1 圖統計特征與核方法 ..................................................................... 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 ................................................................................ 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 章多關系數據及知識圖譜 .................................................................. 58
4.1 重建多關系數據 ............................................................................. 59
4.2 損失函數 ........................................................................................ 60
4.3 多關系解碼器 ................................................................................ 64
4.4 解碼器的性能表征 ......................................................................... 68

第三部分圖神經網絡（GNN）
第5 章圖神經網絡（GNN）模型 .............................................................. 72
5.1 神經消息傳遞 ................................................................................ 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 章圖神經網絡（GNN）的實現 ......................................................... 104
6.1 應用和損失函數 ........................................................................... 104
6.2 效率問題和節(jié)點采樣 ................................................................... 110
6.3 參數共享與正則化 ....................................................................... 112

第7 章圖神經網絡（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 ............................................................................. 141

第四部分生成圖模型
第8 章傳統圖生成方法 .......................................................................... 158
8.1 傳統方法概述 .............................................................................. 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