本书主要讲述了神经网络的重要概念和技术，并展示了如何使用Python来解决日常生活中常见的神经网络问题。
电子书
编辑推荐
本书致力于介绍图神经网络的基本概念和算法、研究前沿以及广泛和新兴的应用。
内容简介
本书致力于介绍图神经网络的基本概念和算法、研究前沿以及广泛和新兴的应用，涵盖图神经网络的广泛主题，从基础到前沿，从方法到应用，涉及从方法论到应用场景方方面面的内容。全书分为四部分：第一部分介绍图神经网络的基本概念；第二部分讨论图神经网络成熟的方法；第三部分介绍图神经网络典型的前沿领域；第四部分描述可能对图神经网络未来研究比较重要和有前途的方法与应用的进展情况。 本书适合高年级本科生和研究生、博士后研究人员、讲师以及行业从业者阅读与参考。
章节目录
- 版权信息
- 版 权
- 内 容 提 要
- 推荐语（按姓氏拼音排序）
- 推荐序
- 前 言
- 致 谢
- 编者简介
- 撰稿人名单（按姓氏拼音排序）
- 术 语
- 主要符号
- 资源与支持
- 第一部分 引言
- 第1章 表征学习
- 1.1 导读
- 1.2 不同领域的表征学习
- 1.2.1 用于图像处理的表征学习
- 1.2.2 用于语音识别的表征学习
- 1.2.3 用于自然语言处理的表征学习
- 1.2.4 用于网络分析的表征学习
- 1.3 小结
- 读者服务：
- 第2章 图表征学习
- 2.1 导读
- 2.2 传统图嵌入方法
- 2.3 现代图嵌入方法
- 2.3.1 保留图结构和属性的图表征学习
- 2.3.2 带有侧面信息的图表征学习
- 2.3.3 保留高级信息的图表征学习
- 2.4 图神经网络
- 2.5 小结
- 读者服务：
- 第3章 图神经网络
- 3.1 导读
- 3.2 图神经网络概述
- 3.2.1 图神经网络基础
- 3.2.2 图神经网络前沿
- 3.2.3 图神经网络应用
- 3.2.4 本书组织结构
- 3.3 小结
- 读者服务：
- 第二部分 基础
- 第4章 用于节点分类的图神经网络
- 4.1 背景和问题定义
- 4.2 有监督的图神经网络
- 4.2.1 图神经网络的一般框架
- 4.2.2 图卷积网络
- 4.2.3 图注意力网络
- 4.2.4 消息传递神经网络
- 4.2.5 连续图神经网络
- 4.2.6 多尺度谱图卷积网络
- 4.3 无监督的图神经网络
- 4.3.1 变分图自编码器
- 4.3.2 深度图信息最大化
- 4.4 过平滑问题
- 4.5 小结
- 读者服务：
- 第5章 图神经网络的表达能力
- 5.1 导读
- 5.2 图表征学习和问题的提出
- 5.3 强大的消息传递图神经网络
- 5.3.1 用于集合的神经网络
- 5.3.2 消息传递图神经网络
- 5.3.3 MP-GNN的表达能力
- 5.3.4 具有1-WL测试能力的MP-GNN
- 5.4 比1-WL测试更强大的图神经网络架构
- 5.4.1 MP-GNN的局限性
- 5.4.2 注入随机属性
- 5.4.3 注入确定性距离属性
- 5.4.4 建立高阶图神经网络
- 5.5 小结
- 读者服务：
- 第6章 图神经网络的可扩展性
- 6.1 导读
- 6.2 引言
- 6.3 抽样范式
- 6.3.1 节点级抽样
- 6.3.2 层级抽样
- 6.3.3 图级抽样
- 6.4 大规模图神经网络在推荐系统中的应用
- 6.4.1 物品-物品推荐
- 6.4.2 用户-物品推荐
- 6.5 未来的方向
- 读者服务：
- 第7章 图神经网络的可解释性
- 7.1 背景：深度模型的可解释性
- 7.1.1 可解释性和解释的定义
- 7.1.2 解释的价值
- 7.1.3 传统的解释方法
- 7.1.4 机遇与挑战
- 7.2 图神经网络的解释方法
- 7.2.1 背景
- 7.2.2 基于近似的解释
- 7.2.3 基于相关性传播的解释
- 7.2.4 基于扰动的解释
- 7.2.5 生成式解释
- 7.3 图神经网络的可解释模型
- 7.3.1 基于GNN的注意力模型
- 7.3.2 图上的解耦化表征学习
- 7.4 图神经网络解释的评估
- 7.4.1 基准数据集
- 7.4.2 评价指标
- 7.5 未来的方向
- 读者服务：
- 第8章 图神经网络的对抗鲁棒性
- 8.1 动机
- 8.2 图神经网络的局限性：对抗性样本
- 8.2.1 对抗性攻击的分类
- 8.2.2 扰动的影响和一些启示
- 8.2.3 讨论和未来的方向
- 8.3 可证明的鲁棒性：图神经网络的认证
- 8.3.1 特定模型的认证
- 8.3.2 模型无关的认证
- 8.3.3 高级认证和讨论
- 8.4 提高图神经网络的鲁棒性
- 8.4.1 改进图
- 8.4.2 改进训练过程
- 8.4.3 改进图神经网络的架构
- 8.4.4 讨论和未来的方向
- 8.5 从鲁棒性的角度进行适当评估
- 8.6 小结
- 读者服务：
- 第三部分 前沿
- 第9章 图分类
- 9.1 导读
- 9.2 用于图分类的图神经网络：典型工作和现代架构
- 9.2.1 空间方法
- 9.2.2 频谱方法
- 9.3 池化层：从节点级输出学习图级输出
- 9.3.1 基于注意力的池化层
- 9.3.2 基于聚类的池化层
- 9.3.3 其他池化层
- 9.4 图神经网络和高阶层在图分类中的局限性
- 9.5 图神经网络在图分类中的应用
- 9.6 基准数据集
- 9.7 小结
- 读者服务：
- 第10章 链接预测
- 10.1 导读
- 10.2 传统的链接预测方法
- 10.2.1 启发式方法
- 10.2.2 潜在特征方法
- 10.2.3 基于内容的方法
- 10.3 基于GNN的链接预测方法
- 10.3.1 基于节点的方法
- 10.3.2 基于子图的方法
- 10.3.3 比较基于节点的方法和基于子图的方法
- 10.4 链接预测的理论
- 10.4.1 γ-衰减启发式理论
- 10.4.2 贴标签技巧
- 10.5 未来的方向
- 10.5.1 加速基于子图的方法
- 10.5.2 设计更强大的贴标签技巧
- 10.5.3 了解何时使用独热特征
- 读者服务：
- 第11章 图生成
- 11.1 导读
- 11.2 经典的图生成模型
- 11.2.1 Erdős-Rényi模型
- 11.2.2 随机块模型
- 11.3 深度图生成模型
- 11.3.1 表征图
- 11.3.2 变分自编码器方法
- 11.3.3 深度自回归方法
- 11.3.4 生成对抗网络方法
- 11.4 小结
- 读者服务：
- 第12章 图转换
- 12.1 图转换问题的形式化
- 12.2 节点级转换
- 12.2.1 节点级转换的定义
- 12.2.2 交互网络
- 12.2.3 时空卷积循环神经网络
- 12.3 边级转换
- 12.3.1 边级转换的定义
- 12.3.2 图转换生成对抗网络
- 12.3.3 多尺度图转换网络
- 12.3.4 图转换策略网络
- 12.4 节点-边共转换
- 12.4.1 节点-边共转换的定义
- 12.4.2 基于编辑的节点-边共转换
- 12.5 其他基于图的转换
- 12.5.1 序列到图的转换
- 12.5.2 图到序列的转换
- 12.5.3 上下文到图的转换
- 12.6 小结
- 读者服务：
- 第13章 图匹配
- 13.1 导读
- 13.2 图匹配学习
- 13.2.1 问题的定义
- 13.2.2 基于深度学习的图匹配模型
- 13.2.3 基于GNN的图匹配模型
- 13.3 图相似性学习
- 13.3.1 问题的定义
- 13.3.2 图-图回归任务
- 13.3.3 图-图分类任务
- 13.4 小结
- 读者服务：
- 第14章 图结构学习
- 14.1 导读
- 14.2 传统的图结构学习
- 14.2.1 无监督图结构学习
- 14.2.2 有监督图结构学习
- 14.3 图神经网络的图结构学习
- 14.3.1 图结构和表征的联合学习
- 14.3.2 与其他问题的联系
- 14.4 未来的方向
- 14.4.1 鲁棒的图结构学习
- 14.4.2 可扩展的图结构学习
- 14.4.3 异质图的图结构学习
- 14.5 小结
- 读者服务：
- 第15章 动态图神经网络
- 15.1 导读
- 15.2 背景和表示法
- 15.2.1 图神经网络
- 15.2.2 序列模型
- 15.2.3 编码器-解码器框架和模型训练
- 15.3 动态图的类型
- 15.3.1 离散型与连续型
- 15.3.2 演变类型
- 15.3.3 预测问题、内插法和外推法
- 15.4 用图神经网络对动态图进行建模
- 15.4.1 将动态图转换为静态图
- 15.4.2 用于DTDG的图神经网络
- 15.4.3 用于CTDG的图神经网络
- 15.5 应用
- 15.5.1 基于骨架的人类活动识别
- 15.5.2 交通预测
- 15.5.3 时序知识图谱补全
- 15.6 小结
- 读者服务：
- 第16章 异质图神经网络
- 16.1 HGNN简介
- 16.1.1 HG的基本概念
- 16.1.2 异质性给HG嵌入带来的独特挑战
- 16.1.3 对HG嵌入最新发展的简要概述
- 16.2 浅层模型
- 16.2.1 基于分解的方法
- 16.2.2 基于随机游走的方法
- 16.3 深度模型
- 16.3.1 基于消息传递的方法
- 16.3.2 基于编码器-解码器的方法
- 16.3.3 基于对抗的方法
- 16.4 回顾
- 16.5 未来的方向
- 16.5.1 结构和属性保存
- 16.5.2 更深入的探索
- 16.5.3 可靠性
- 16.5.4 应用
- 读者服务：
- 第17章 自动机器学习
- 17.1 背景
- 17.1.1 AutoGNN的表示法
- 17.1.2 AutoGNN的问题定义
- 17.1.3 AutoGNN的挑战
- 17.2 搜索空间
- 17.2.1 架构搜索空间
- 17.2.2 训练超参数搜索空间
- 17.2.3 高效的搜索空间
- 17.3 搜索算法
- 17.3.1 随机搜索
- 17.3.2 进化搜索
- 17.3.3 基于强化学习的搜索
- 17.3.4 可微搜索
- 17.3.5 高效的表现评估
- 17.4 未来的方向
- 读者服务：
- 第18章 自监督学习
- 18.1 导读
- 18.2 自监督学习概述
- 18.3 将SSL应用于图神经网络：对训练策略、损失函数和代理任务进行分类
- 18.3.1 训练策略
- 18.3.2 损失函数
- 18.3.3 代理任务
- 18.4 节点级代理任务
- 18.4.1 基于结构的节点级代理任务
- 18.4.2 基于特征的节点级代理任务
- 18.4.3 混合代理任务
- 18.5 图级代理任务
- 18.5.1 基于结构的图级代理任务
- 18.5.2 基于特征的图级代理任务
- 18.5.3 混合代理任务
- 18.6 节点-图级代理任务
- 18.7 讨论
- 18.8 小结
- 读者服务：
- 第四部分 广泛和新兴的应用
- 第19章 现代推荐系统中的图神经网络
- 19.1 067图神经网络在推荐系统中的实践
- 19.1.1 简介
- 19.1.2 预测用户-物品偏好的经典方法
- 19.1.3 用户-物品推荐系统中的物品推荐：二分图的视角
- 19.2 案例研究1：动态的GNN学习
- 19.2.1 动态序贯图
- 19.2.2 DSGL
- 19.2.3 模型预测
- 19.2.4 实验和讨论
- 19.3 案例研究2：设备 云协作的GNN学习
- 19.3.1 提议的框架
- 19.3.2 实验和讨论
- 19.4 未来的方向
- 读者服务：
- 第20章 计算机视觉中的图神经网络
- 20.1 导读
- 20.2 将视觉表征为图
- 20.2.1 视觉节点表征
- 20.2.2 视觉边表征
- 20.3 案例研究1：图像
- 20.3.1 物体检测
- 20.3.2 图像分类
- 20.4 案例研究2：视频
- 20.4.1 视频动作识别
- 20.4.2 时序动作定位
- 20.5 其他相关工作：跨媒体
- 20.5.1 视觉描述
- 20.5.2 视觉问答
- 20.5.3 跨媒体检索
- 20.6 图神经网络在计算机视觉中的前沿问题
- 20.6.1 用于计算机视觉的高级图神经网络
- 20.6.2 图神经网络在计算机视觉中的更广泛应用
- 20.7 小结
- 读者服务：
- 第21章 自然语言处理中的图神经网络
- 21.1 导读
- 21.2 将文本建模为图
- 21.2.1 自然语言处理中的图表征
- 21.2.2 从图的角度完成自然语言处理任务
- 21.3 案例研究1：基于图的文本聚类和匹配
- 21.3.1 基于图聚类的热点事件发现和组织
- 21.3.2 使用图分解和卷积进行长文档匹配
- 21.4 案例研究2：基于图的多跳阅读理解
- 21.5 未来的方向
- 21.6 小结
- 读者服务：
- 第22章 程序分析中的图神经网络
- 22.1 导读
- 22.2 程序分析中的机器学习
- 22.3 程序的图表征
- 22.4 用于程序图的图神经网络
- 22.5 案例研究1：检测变量误用缺陷
- 22.6 案例研究2：预测动态类型化语言中的类型
- 22.7 未来的方向
- 读者服务：
- 第23章 软件挖掘中的图神经网络
- 23.1 导读
- 23.2 将软件建模为图
- 23.2.1 宏观与微观层面的表征
- 23.2.2 将宏观和微观层面的表征结合起来
- 23.3 相关的软件挖掘任务
- 23.4 软件挖掘任务实例：源代码总结
- 23.4.1 基于GNN的源代码总结快速入门
- 23.4.2 改进的方向
- 23.5 小结
- 读者服务：
- 第24章 药物开发中基于图神经网络的生物医学知识图谱挖掘
- 24.1 导读
- 24.2 现有的生物医学知识图谱
- 24.3 知识图谱的推理
- 24.3.1 传统的KG推理技术
- 24.3.2 基于GNN的KG推理技术
- 24.4 药物开发中基于KG的假设生成
- 24.4.1 基于KG的药物再利用的机器学习框架
- 24.4.2 基于KG的药物再利用在COVID-19中的应用
- 24.5 未来的方向
- 24.5.1 KG质量控制
- 24.5.2 可扩展的推理
- 24.5.3 KG与其他生物医学数据的结合
- 读者服务：
- 第25章 预测蛋白质功能和相互作用的图神经网络
- 25.1 从蛋白质的相互作用到功能简介
- 25.1.1 登上舞台：蛋白质-蛋白质相互作用网络
- 25.1.2 问题形式化、假设和噪声：从历史的视角
- 25.1.3 浅层机器学习模型
- 25.1.4 好戏上演：图神经网络
- 25.2 三个典型的案例研究
- 25.2.1 案例研究1：蛋白质-蛋白质和蛋白质-药物相互作用的预测
- 25.2.2 案例研究2：蛋白质功能和功能重要的残差的预测
- 25.2.3 案例研究3：使用图自编码器从生物网络的表征中学习多关系链接预测
- 25.3 未来的方向
- 读者服务：
- 第26章 异常检测中的图神经网络
- 26.1 导读
- 26.2 基于GNN的异常检测的问题
- 26.2.1 特定于数据的问题
- 26.2.2 特定于任务的问题
- 26.2.3 特定于模型的问题
- 26.3 流水线
- 26.3.1 图的构建和转换
- 26.3.2 图表征学习
- 26.3.3 预测
- 26.4 分类法
- 26.5 案例研究
- 26.5.1 案例研究1：用于恶意账户检测的图嵌入
- 26.5.2 案例研究2：基于层次注意力机制的套现用户检测
- 26.5.3 案例研究3：用于恶意程序检测的注意力异质图神经网络
- 26.5.4 案例研究4：通过图神经网络学习程序表征和相似性度量的图匹配框架，用于检测未知的恶意程序
- 26.5.5 案例研究5：使用基于注意力的时间GCN进行动态图的异常检测
- 26.5.6 案例研究6：使用GAS进行垃圾评论检测
- 26.6 未来的方向
- 读者服务：
- 第27章 智慧城市中的图神经网络
- 27.1 用于智慧城市的图神经网络
- 27.1.1 导读
- 27.1.2 图神经网络在智慧城市中的应用场景
- 27.1.3 将城市系统表征为图
- 27.1.4 案例研究1：图神经网络在交通和城市规划中的应用
- 27.1.5 案例研究2：图神经网络在城市事件和异常情况预测中的应用
- 27.1.6 案例研究3：图神经网络在城市人类行为分析中的应用
- 27.2 未来的方向
- 读者服务：
- 参 考 文 献
展开全部
图神经网络：基础、前沿与应用是2022年由人民邮电出版社出版,作者吴凌飞 编。
版权说明：本电子书已获得正版授权，由出版社通过知传链发行。
得书感谢您对《图神经网络：基础、前沿与应用》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。
电子书
本书主要讲述了神经网络的重要概念和技术，并展示了如何使用Python来解决日常生活中常见的神经网络问题。
电子书
Linux系统管理实用教程：全面易懂实例详细
电子书
本书涵盖150个应用案例、92个操作提示、30个交叉参考、59个注意事项，详细解析Excel的技术细节、操作技巧、应用方法。
电子书
本书采用了以任务为导向的教学模式，按照解决实际任务的工作流程路线，逐步展开介绍相关的理论知识点，推导生成可行的解决方案，后落实在任务实现环节。全书大部分章节紧扣任务需求展开，不...
电子书
本书旨在全面讲解VRayforSketchUp渲染器的功能及其应用。
电子书
系统全解析：Windows10操作与管理技巧