圖表示學習( 簡體 字) | |
| 作者：AI TIME | 類別：1. -> 程式設計 -> 綜合 |
| 出版社：電子工業出版社 |  3dWoo書號： 54622詢問書籍請說出此書號！ 有庫存 NT售價： 545 元 |
| 出版日：6/1/2021 | |
| 頁數：208 | |
| 光碟數：0 | |
站長推薦：   | |
| 印刷：黑白印刷 | 語系： ( 簡體 字 ) |
| ISBN：9787121410772 | 加入購物車 │加到我的最愛 (請先登入會員) |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證, 繁體書的下載亦請直接連絡出版社) | |
第一部分 背景介紹
第 1 章 引言 ........... 2 1.1 什么是圖？ .......... 3 1.1.1 多關系圖 .......... 4 1.1.2 特征信息 .......... 5 1.2 圖機器學習 .......... 6 1.2.1 節點分類 .......... 7 1.2.2 關系預測 .......... 9 1.2.3 聚類和社區發現......... 11 1.2.4 圖的分類、回歸與聚類 ....... 11 第 2 章 背景與傳統方法 .......... 13 2.1 圖統計特征與核方法 ......... 14 2.1.1 節點層面的統計特征 ....... 14 2.1.2 圖層面的特征和圖核 ....... 20 2.2 鄰域重疊檢測 .......... 23 2.2.1 局部重疊測量......... 25 2.2.2 全局重疊測量......... 26 2.3 圖的拉普拉斯矩陣和圖的譜方法 ...... 32 2.3.1 圖拉普拉斯矩陣......... 32 2.3.2 圖割與圖聚類......... 35 2.3.3 廣義譜聚類 ........ 40 2.4 面向表示學習 .......... 41 第二部分 節點嵌入 第 3 章 鄰域節點重構.......... 44 3.1 編碼-解碼框架 ......... 45 3.1.1 編碼.......... 46 3.1.2 解碼器 .......... 47 3.1.3 編碼-解碼模型的優化........ 48 3.1.4 編碼-解碼方法概述........ 49 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 5.1.1 消息傳遞框架概述 ....... 74 5.1.2 動機和思想 ........ 76 5.1.3 基本的 GNN ......... 77 5.1.4 自環消息傳遞......... 79 5.2 廣義鄰域聚合 .......... 80 5.2.1 鄰域歸一化 ........ 81 5.2.2 集合聚合操作......... 83 5.2.3 鄰域注意力模型......... 86 5.3 廣義的更新方法......... 89 5.3.1 拼接和跳躍連接......... 92 5.3.2 門控更新函數......... 94 5.3.3 跳躍知識連接......... 95 5.4 邊特征和多元關系 GNN ........ 96 5.4.1 關系 GNN ......... 96 5.4.2 注意力機制和特征拼接 ....... 98 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 6.1.1 用于節點分類的 GNN ...... 105 6.1.2 用于圖分類的 GNN ........ 107 6.1.3 用于關系預測的 GNN ...... 108 6.1.4 預訓練 GNN ......... 108 6.2 效率問題和節點采樣 ......... 110 6.2.1 圖級別的實現方法 ....... 110 6.2.2 子采樣和小批量....... 111 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 7.1.1 卷積與傅里葉變換 ....... 115 7.1.2 從時間信號到圖信號 ....... 118 7.1.3 譜圖卷積 .......... 124 7.1.4 卷積啟發的 GNN ....... 129 7.2 GNN 和概率圖模型 ......... 135· 7.2.1 分布的希爾伯特空間嵌入...... 135 7.2.2 圖作為圖模型......... 136 7.2.3 嵌入平均場推斷....... 137 7.2.4 更一般的 GNN 和 PGM ....... 141 7.3 GNN 與圖同構......... 141 7.3.1 圖同構 .......... 142 7.3.2 圖同構與表示能力 ....... 143 7.3.3 WL 算法 ......... 143 7.3.4 GNN 和 WL 算法 ....... 145 7.3.5 超越 WL 算法 ........ 148 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 ERD?S–RéNYI 模型........ 159 8.3 隨機塊模型 .......... 160 8.4 優先鏈接 .......... 161 8.5 傳統應用 .......... 163 第 9 章 深度生成模型.......... 165 9.1 VAE 方法 ........... 166 9.1.1 節點級隱表示......... 169 9.1.2 圖級別的隱表示....... 172 9.2 對抗方法 .......... 176 9.3 自回歸模型 .......... 178 9.3.1 邊依賴建模 ........ 178 9.3.2 循環圖生成模型....... 179 9.4 圖生成的評估 .......... 184 9.5 分子圖生成 .......... 185 后記............ 187 致謝............ 190 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展的范式。最后，本書總結了針對圖的深度生成模型的最新進展，這是圖表示學習新生但發展迅速的子集。
在過去的七年里，圖表示學習領域以令人難以置信的速度不斷發展。我第一次接觸這個領域是在 2013 年讀研究生的時候， 當時許多研究人員開始探索“嵌入”圖結構數據的深度學習方法。自 2013 年以來，該領域從標準的圖神經網絡范式發展到圖結構數據的深度生成模型，圖表示學習經歷了令人印象深刻的崛起和發展。這個領域已經從一小群研究人員致力研究的一個相對較小的主題轉變為發展最快的深度學習子領域之一。
然而，隨著這個領域的發展，我們對圖表示學習的方法和理論的理解也隨著時間的推移而向后延伸。我們現在可以將流行的“節點嵌入”方法看作是在對經典的降維方法有很好理解的基礎上的擴展工作。我們現在對圖神經網絡是如何從歷史悠久的譜圖理論、諧波分析、變分推斷和圖同構理論的工作演變而來的有了一定的理解。本書是我從實踐角度出發，綜合和總結上述方法的一次嘗試。我希望向讀者介紹該領域的當前做法，同時也將這些做法與歷史更悠久的機器學習及其他領域的研究聯系起來。 本書適用于機器學習領域的達到研究生水平的研究員或高年級本科生。 本書關于圖結構數據和圖屬性的討論相對獨立。但是，閱讀本書確實需要讀者有機器學習的背景并且熟悉現代的深度學習方法（如卷積神經網絡和循環神經網絡）。在通常情況下，閱讀本書前需要你從《深度學習》等書獲得 一定的關于機器學習和深度學習的知識。 威廉·漢密爾頓 2020 年 9 月 | |
