圖表示學(xué)習(xí)

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(biāo)　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(shù)：	208	字?jǐn)?shù)：

內(nèi)容簡介

　　本書提供了一份關(guān)于圖表示學(xué)習(xí)的綜述。首先，本書討論圖表示學(xué)習(xí)的目標(biāo)及圖論和網(wǎng)絡(luò)分析的關(guān)鍵方法論。然后，本書介紹并回顧了學(xué)習(xí)節(jié)點嵌入的方法，包括基于隨機(jī)游走的方法以及在知識圖譜上的應(yīng)用。再后，本書對高度成功的圖神經(jīng)網(wǎng)絡(luò)（ Graph Neural Network， GNN）進(jìn)行了技術(shù)上的綜合介紹， GNN已成為圖數(shù)據(jù)深度學(xué)習(xí)領(lǐng)域占主導(dǎo)地位且迅速發(fā)展的范式。最后，本書總結(jié)了針對圖的深度生成模型的前沿進(jìn)展，這是圖表示學(xué)習(xí)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(xué)（McGill University）計算機(jī)科學(xué)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(xué)習(xí)及其在計算社會科學(xué)和生物學(xué)中的應(yīng)用。近年來，他在機(jī)器學(xué)習(xí)和網(wǎng)絡(luò)科學(xué)領(lǐng)域的頂級會議發(fā)表了20 多篇關(guān)于圖表示學(xué)習(xí)的論文，并且參與組織了關(guān)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(rèn)可，其中包括2017 年美國科學(xué)院Cozzarelli最佳論文獎和2018 年斯坦福大學(xué)計算機(jī)科學(xué)系A(chǔ)rthur Samuel 最佳博士論文獎等。 AI TIME是2019年由清華大學(xué)人工智能研究院張鈸院士和清華大學(xué)計算機(jī)系唐杰教授、李涓子教授等人聯(lián)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(xué)、發(fā)揚(yáng)科學(xué)思辨精神。我們邀請各界人士辯論AI本質(zhì)，介紹學(xué)術(shù)前沿、展示研究機(jī)構(gòu)風(fēng)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(lǐng)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(jī)器學(xué)習(xí) ...................................................................................... 6

第2 章背景與傳統(tǒng)方法 ............................................................................ 13
2.1 圖統(tǒng)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(xué)習(xí) ................................................................................ 41

第二部分節(jié)點嵌入
第3 章鄰域節(jié)點重構(gòu) ................................................................................ 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(jī)游走嵌入表示 ......................................................................... 52
3.4 shallow embedding 的局限性 ......................................................... 56

第4 章多關(guān)系數(shù)據(jù)及知識圖譜 .................................................................. 58
4.1 重建多關(guān)系數(shù)據(jù) ............................................................................. 59
4.2 損失函數(shù) ........................................................................................ 60
4.3 多關(guān)系解碼器 ................................................................................ 64
4.4 解碼器的性能表征 ......................................................................... 68

第三部分圖神經(jīng)網(wǎng)絡(luò)（GNN）
第5 章圖神經(jīng)網(wǎng)絡(luò)（GNN）模型 .............................................................. 72
5.1 神經(jīng)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(guān)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(jīng)網(wǎng)絡(luò)（GNN）的實現(xiàn) ......................................................... 104
6.1 應(yīng)用和損失函數(shù) ........................................................................... 104
6.2 效率問題和節(jié)點采樣 ................................................................... 110
6.3 參數(shù)共享與正則化 ....................................................................... 112

第7 章圖神經(jīng)網(wǎng)絡(luò)（GNN）的理論動機(jī) .................................................. 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(gòu) ............................................................................. 141

第四部分生成圖模型
第8 章傳統(tǒng)圖生成方法 .......................................................................... 158
8.1 傳統(tǒng)方法概述 .............................................................................. 159
8.2 ERDÖS–RÉNYI 模型 .................................................................. 159
8.3 隨機(jī)塊模型 .................................................................................. 160
8.4 優(yōu)先鏈接模型 .............................................................................. 161
8.5 傳統(tǒng)應(yīng)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