类似推荐
编辑推荐
深度加深模型退化，监督信息过度依赖。
内容简介
本书深入剖析了图神经网络领域所面临的两大核心挑战：深度加深模型退化和监督信息过度依赖。针对这两大挑战，本书提出了一系列切实可行的解决方案，涵盖了模型结构优化、训练策略改进等多个方面。
主要内容包括图神经网络的研究背景及其意义、基于混合阶的图神经网络模型、基于拓扑结构自适应的图神经网络模型、图结构与节点属性联合学习的变分图自编码器模型、基于注意力机制的图对比学习模型。
作者简介
作者王杰，博士，太原科技大学计算机科学与技术学院讲师，主要研究方向为数据挖掘与机器学习。
2022年7月毕业于山西大学计算机与信息技术学院。近年来，王杰博士主持了国家自然科学基金青年项目、山西省基础研究计划青年项目，并参与了科技部“科技创新2030一新一代人工智能”重大项目及国家自然科学基金重点项目/联合基金项目等多个科研项目。
章节目录
版权信息
内容简介
前言
第1章 绪论
1.1 图神经网络研究的背景及意义
1.2 网络表示学习与图神经网络国内外研究现状
1.2.1 基于矩阵特征向量的方法
1.2.2 基于随机游走的方法
1.2.3 基于矩阵分解的方法
1.2.4 基于图神经网络的方法
1.3 图神经网络面临的主要问题
1.4 研究内容和组织结构
1.5 本章小结
第2章 图神经网络
2.1 神经网络基础
2.1.1 神经元模型与感知机
2.1.2 前馈神经网络
2.1.3 卷积神经网络
2.1.4 循环神经网络
2.1.5 自编码器
2.2 图数据
2.2.1 生活生产中的图数据
2.2.2 图数据的分类
2.2.3 图任务
2.3 图神经网络方法
2.3.1 图卷积神经网络
2.3.2 图注意力网络
2.3.3 图自编码器
2.4 图神经网络的应用
2.4.1 在计算机视觉领域的应用
2.4.2 在自然语言处理领域的应用
2.4.3 在生物化学领域的应用
2.4.4 在物理学领域的应用
2.5 本章小结
第3章 基于混合阶的图神经网络模型
3.1 引言
3.2 基于混合阶的图神经网络模型介绍
3.2.1 符号及其含义
3.2.2 总体框架
3.2.3 基于图卷积神经网络学习器模块
3.2.4 集成模块
3.3 实验分析
3.3.1 实验设置
3.3.2 实验结果
3.4 本章小结
第4章 基于拓扑结构自适应的图神经网络模型
4.1 引言
4.2 基于拓扑结构自适应的图神经网络模型介绍
4.2.1 符号及其含义
4.2.2 总体框架
4.2.3 边强度计算模块
4.2.4 有指导去边模块
4.2.5 图神经网络学习器模块
4.2.6 时间复杂度分析
4.2.7 理论分析
4.3 实验分析
4.3.1 实验设置
4.3.2 实验结果
4.4 本章小结
第5章 图结构与节点属性联合学习的变分图自编码器模型
5.1 引言
5.2 预备知识
5.2.1 符号及其含义
5.2.2 图卷积神经网络
5.2.3 图信号处理
5.3 图结构与节点属性联合学习的变分图自编码器模型介绍
5.3.1 总体框架
5.3.2 编码器
5.3.3 解码器
5.3.4 优化过程
5.4 实验分析
5.4.1 实验设置
5.4.2 实验结果
5.5 本章小结
第6章 基于注意力机制的图对比学习模型
6.1 引言
6.2 预备知识
6.2.1 符号及其含义
6.2.2 图对比学习
6.3 基于注意力机制的图对比学习模型介绍
6.3.1 图增广模块
6.3.2 节点嵌入模块
6.3.3 半监督图对比学习模块
6.3.4 优化处理模块
6.3.5 复杂度分析
6.3.6 收敛性分析
6.4 实验分析
6.4.1 实验设置
6.4.2 实验结果
6.5 本章小结
第7章 总结与展望
参考文献
后记
基于信息增强的图神经网络学习方法研究是2025年由电子工业出版社出版,作者王杰。
得书感谢您对《基于信息增强的图神经网络学习方法研究》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
