新書推薦： 《
数据有道：数据分析+图论与网络+微课+Python编程（鸢尾花数学大系：从加减乘除到机器学习）
》 售價：NT$
1214.0
《
500万次倾听：陪伤心的人聊聊
》 售價：NT$
245.0
《
英国商业500年（见证大国崛起与企业兴衰，启迪未来商业智慧。）
》 售價：NT$
367.0
《
万千心理·儿童心理治疗中的心智化：临床实践指导
》 售價：NT$
398.0
《
自我囚禁的人：完美主义的心理成因与自我松绑（破除你对完美主义的迷思，尝试打破自我评价过低与焦虑的恶性循环）
》 售價：NT$
301.0
《
周易
》 售價：NT$
203.0
《
东南亚的传统与发展
》 售價：NT$
306.0
《
乾隆制造
》 售價：NT$
398.0
編輯推薦：
前沿：图神经网络是机器学习、数据科学、数据挖掘领域新兴的发展方向，被称作图上的深度学习，有望推动第三代人工智能的顺利发展。丰富：综述图神经网络的基础理论、模拟算法、研究前沿以及广泛和新兴的应用场景深入：摒弃简单介绍概念与框架的思维，深入分析图神经网络的现状以及未来的调整与机遇，帮助专业人士和初学者知其然知其所以然力荐：囊括国内AI界半壁江山的大咖联袂推荐
內容簡介：
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。
關於作者：
吴凌飞博士毕业于美国公立常春藤盟校之一的威廉与玛丽学院计算机系。目前他是Pinterest公司主管知识图谱和内容理解的研发工程经理。曾任京东硅谷研究中心的首席科学家和IBM Thomas J. Vatson Research Centerl的高级研究员。主要研究方向是机器学习、表征学习和自然语言处理的有机结合，在图神经网络及其应用方面有深入研究。他在机器学习、深度学习等领域的著名会议或期刊上发表100多篇论文。崔鹏博士清华大学计算机系终身副教授。于2010年在清华大学获得博士学位。研究兴趣包括数据挖掘、机器学习和多媒体分析，擅长网络表示学习、因果推理和稳定学习、社会动力学建模和用户行为建模等。他在机器学习和数据挖掘领域的著名会议或期刊上发表100多篇论文。裴健博士杜克大学电子与计算机工程系教授。他是数据科学、大数据、数据挖掘和数据库系统等领域的研究人员。他擅长为新型数据密集型应用开发有效的数据分析技术，并将其研究成果转化为产品和商业实践。自2000年以来，他已经出版一本教科书、两本专著，并在众多具有影响力的会议或期刊上发表300多篇论文。赵亮博士埃默里大学计算科学系助理教授。曾在乔治梅森大学信息科学与技术系和计算机科学系担任助理教授。于2016年在弗吉尼亚理工大学计算机科学系获得博士学位。研究兴趣包括数据挖掘、人工智能和机器学习，在时空和网络数据挖掘、图深度学习、非凸优化、事件预测和可解释机器学习等方面有深入研究。
目錄
第 一部分 引言第 1章 表征学习 21.1 导读 21.2 不同领域的表征学习 31.2.1 用于图像处理的表征学习 31.2.2 用于语音识别的表征学习 51.2.3 用于自然语言处理的表征学习 71.2.4 用于网络分析的表征学习 81.3 小结 9第 2章 图表征学习 112.1 导读 112.2 传统图嵌入方法 122.3 现代图嵌入方法 132.3.1 保留图结构和属性的图表征学习 132.3.2 带有侧面信息的图表征学习 152.3.3 保留高级信息的图表征学习 152.4 图神经网络 162.5 小结 17第3章 图神经网络 183.1 导读 183.2 图神经网络概述 193.2.1 图神经网络基础 193.2.2 图神经网络前沿 203.2.3 图神经网络应用 223.2.4 本书组织结构 233.3 小结 24第二部分 基础第4章 用于节点分类的图神经网络 284.1 背景和问题定义 284.2 有监督的图神经网络 294.2.1 图神经网络的一般框架 294.2.2 图卷积网络 304.2.3 图注意力网络 324.2.4 消息传递神经网络 334.2.5 连续图神经网络 334.2.6 多尺度谱图卷积网络 354.3 无监督的图神经网络 374.3.1 变分图自编码器 374.3.2 深度图信息最大化 394.4 过平滑问题 414.5 小结 42第5章 图神经网络的表达能力 445.1 导读 445.2 图表征学习和问题的提出 475.3 强大的消息传递图神经网络 495.3.1 用于集合的神经网络 495.3.2 消息传递图神经网络 505.3.3 MP-GNN的表达能力 515.3.4 具有1-WL测试能力的MP-GNN 535.4 比1-WL测试更强大的图神经网络架构 545.4.1 MP-GNN的局限性 545.4.2 注入随机属性 565.4.3 注入确定性距离属性 615.4.4 建立高阶图神经网络 655.5 小结 69第6章 图神经网络的可扩展性 716.1 导读 716.2 引言 726.3 抽样范式 726.3.1 节点级抽样 746.3.2 层级抽样 766.3.3 图级抽样 796.4 大规模图神经网络在推荐系统中的应用 826.4.1 物品-物品推荐 826.4.2 用户-物品推荐 836.5 未来的方向 84第7章 图神经网络的可解释性 867.1 背景：深度模型的可解释性 867.1.1 可解释性和解释的定义 867.1.2 解释的价值 877.1.3 传统的解释方法 887.1.4 机遇与挑战 907.2 图神经网络的解释方法 907.2.1 背景 917.2.2 基于近似的解释 927.2.3 基于相关性传播的解释 957.2.4 基于扰动的解释 967.2.5 生成式解释 977.3 图神经网络的可解释模型 977.3.1 基于GNN的注意力模型 987.3.2 图上的解耦化表征学习 1007.4 图神经网络解释的评估 1017.4.1 基准数据集 1017.4.2 评价指标 1037.5 未来的方向 103第8章 图神经网络的对抗鲁棒性 1058.1 动机 1058.2 图神经网络的局限性：对抗性样本 1078.2.1 对抗性攻击的分类 1078.2.2 扰动的影响和一些启示 1108.2.3 讨论和未来的方向 1128.3 可证明的鲁棒性：图神经网络的认证 1138.3.1 特定模型的认证 1138.3.2 模型无关的认证 1158.3.3 高级认证和讨论 1168.4 提高图神经网络的鲁棒性 1178.4.1 改进图 1178.4.2 改进训练过程 1188.4.3 改进图神经网络的架构 1208.4.4 讨论和未来的方向 1218.5 从鲁棒性的角度进行适当评估 1228.6 小结 124第三部分 前沿第9章 图分类 1289.1 导读 1289.2 用于图分类的图神经网络：典型工作和现代架构 1299.2.1 空间方法 1299.2.2 频谱方法 1329.3 池化层：从节点级输出学习图级输出 1339.3.1 基于注意力的池化层 1349.3.2 基于聚类的池化层 1349.3.3 其他池化层 1349.4 图神经网络和高阶层在图分类中的局限性 1359.5 图神经网络在图分类中的应用 1379.6 基准数据集 1379.7 小结 138第 10章 链接预测 13910.1 导读 13910.2 传统的链接预测方法 14010.2.1 启发式方法 14010.2.2 潜在特征方法 14310.2.3 基于内容的方法 14510.3 基于GNN的链接预测方法 14510.3.1 基于节点的方法 14510.3.2 基于子图的方法 14710.3.3 比较基于节点的方法和基于子图的方法 15010.4 链接预测的理论 15110.4.1 γ?C衰减启发式理论 15110.4.2 贴标签技巧 15510.5 未来的方向 15810.5.1 加速基于子图的方法 15810.5.2 设计更强大的贴标签技巧 15910.5.3 了解何时使用独热特征 159第 11章 图生成 16011.1 导读 16011.2 经典的图生成模型 16011.2.1 Erd s-Rényi模型 16111.2.2 随机块模型 16211.3 深度图生成模型 16311.3.1 表征图 16311.3.2 变分自编码器方法 16411.3.3 深度自回归方法 16811.3.4 生成对抗网络方法 17411.4 小结 178第 12章 图转换 17912.1 图转换问题的形式化 17912.2 节点级转换 18012.2.1 节点级转换的定义 18012.2.2 交互网络 18012.2.3 时空卷积循环神经网络 18112.3 边级转换 18212.3.1 边级转换的定义 18212.3.2 图转换生成对抗网络 18312.3.3 多尺度图转换网络 18412.3.4 图转换策略网络 18512.4 节点-边共转换 18612.4.1 节点-边共转换的定义 18612.4.2 基于编辑的节点-边共转换 19012.5 其他基于图的转换 19312.5.1 序列到图的转换 19312.5.2 图到序列的转换 19412.5.3 上下文到图的转换 19512.6 小结 196第 13章 图匹配 19713.1 导读 19713.2 图匹配学习 19813.2.1 问题的定义 19913.2.2 基于深度学习的图匹配模型 20013.2.3 基于GNN的图匹配模型 20113.3 图相似性学习 20513.3.1 问题的定义 20513.3.2 图-图回归任务 20613.3.3 图-图分类任务 20913.4 小结 210第 14章 图结构学习 21114.1 导读 21114.2 传统的图结构学习 21214.2.1 无监督图结构学习 21214.2.2 有监督图结构学习 21414.3 图神经网络的图结构学习 21514.3.1 图结构和表征的联合学习 21614.3.2 与其他问题的联系 22514.4 未来的方向 22614.4.1 鲁棒的图结构学习 22614.4.2 可扩展的图结构学习 22614.4.3 异质图的图结构学习 22714.5 小结 227第 15章 动态图神经网络 22815.1 导读 22815.2 背景和表示法 22915.2.1 图神经网络 22915.2.2 序列模型 23015.2.3 编码器-解码器框架和模型训练 23315.3 动态图的类型 23315.3.1 离散型与连续型 23415.3.2 演变类型 23515.3.3 预测问题、内插法和外推法 23515.4 用图神经网络对动态图进行建模 23615.4.1 将动态图转换为静态图 23615.4.2 用于DTDG的图神经网络 23815.4.3 用于CTDG的图神经网络 24015.5 应用 24215.5.1 基于骨架的人类活动识别 24315.5.2 交通预测 24415.5.3 时序知识图谱补全 24515.6 小结 247第 16章 异质图神经网络 24816.1 HGNN简介 24816.1.1 HG的基本概念 24916.1.2 异质性给HG嵌入带来的独特挑战 25016.1.3 对HG嵌入最新发展的简要概述 25116.2 浅层模型 25116.2.1 基于分解的方法 25216.2.2 基于随机游走的方法 25316.3 深度模型 25416.3.1 基于消息传递的方法 25416.3.2 基于编码器-解码器的方法 25716.3.3 基于对抗的方法 25716.4 回顾 25916.5 未来的方向 25916.5.1 结构和属性保存 25916.5.2 更深入的探索 26016.5.3 可靠性 26016.5.4 应用 261第 17章 自动机器学习 26217.1 背景 26217.1.1 AutoGNN的表示法 26417.1.2 AutoGNN的问题定义 26417.1.3 AutoGNN的挑战 26517.2 搜索空间 26517.2.1 架构搜索空间 26617.2.2 训练超参数搜索空间 26817.2.3 高效的搜索空间 26917.3 搜索算法 26917.3.1 随机搜索 26917.3.2 进化搜索 27017.3.3 基于强化学习的搜索 27017.3.4 可微搜索 27117.3.5 高效的表现评估 27217.4 未来的方向 273第 18章 自监督学习 27518.1 导读 27518.2 自监督学习概述 27618.3 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 27718.3.1 训练策略 27818.3.2 损失函数 28118.3.3 代理任务 28318.4 节点级代理任务 28318.4.1 基于结构的节点级代理任务 28418.4.2 基于特征的节点级代理任务 28518.4.3 混合代理任务 28518.5 图级代理任务 28718.5.1 基于结构的图级代理任务 28718.5.2 基于特征的图级代理任务 29118.5.3 混合代理任务 29118.6 节点-图级代理任务 29318.7 讨论 29418.8 小结 295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 29819.1 图神经网络在推荐系统中的实践 29819.1.1 简介 29819.1.2 预测用户-物品偏好的经典方法 30219.1.3 用户-物品推荐系统中的物品推荐：二分图的视角 30219.2 案例研究1：动态的GNN学习 30419.2.1 动态序贯图 30419.2.2 DSGL 30419.2.3 模型预测 30719.2.4 实验和讨论 30819.3 案例研究2：设备-云协作的GNN学习 30919.3.1 提议的框架 30919.3.2 实验和讨论 31219.4 未来的方向 313第 20章 计算机视觉中的图神经网络 31520.1 导读 31520.2 将视觉表征为图 31620.2.1 视觉节点表征 31620.2.2 视觉边表征 31720.3 案例研究1：图像 31820.3.1 物体检测 31820.3.2 图像分类 31920.4 案例研究2：视频 32020.4.1 视频动作识别 32020.4.2 时序动作定位 32220.5 其他相关工作：跨媒体 32220.5.1 视觉描述 32220.5.2 视觉问答 32320.5.3 跨媒体检索 32420.6 图神经网络在计算机视觉中的前沿问题 32420.6.1 用于计算机视觉的高级图神经网络 32520.6.2 图神经网络在计算机视觉中的更广泛应用 32520.7 小结 326第 21章 自然语言处理中的图神经网络 32721.1 导读 32721.2 将文本建模为图 32921.2.1 自然语言处理中的图表征 32921.2.2 从图的角度完成自然语言处理任务 33021.3 案例研究1：基于图的文本聚类和匹配 33221.3.1 基于图聚类的热点事件发现和组织 33221.3.2 使用图分解和卷积进行长文档匹配 33321.4 案例研究2：基于图的多跳阅读理解 33521.5 未来的方向 33821.6 小结 339第 22章 程序分析中的图神经网络 34122.1 导读 34122.2 程序分析中的机器学习 34222.3 程序的图表征 34322.4 用于程序图的图神经网络 34522.5 案例研究1：检测变量误用缺陷 34622.6 案例研究2：预测动态类型化语言中的类型 34822.7 未来的方向 350第 23章 软件挖掘中的图神经网络 35223.1 导读 35223.2 将软件建模为图 35323.2.1 宏观与微观层面的表征 35323.2.2 将宏观和微观层面的表征结合起来 35423.3 相关的软件挖掘任务 35523.4 软件挖掘任务实例：源代码总结 35723.4.1 基于GNN的源代码总结快速入门 35723.4.2 改进的方向 36323.5 小结 364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 36624.1 导读 36624.2 现有的生物医学知识图谱 36724.3 知识图谱的推理 36924.3.1 传统的KG推理技术 37024.3.2 基于GNN的KG推理技术 37124.4 药物开发中基于KG的假设生成 37424.4.1 基于KG的药物再利用的机器学习框架 37424.4.2 基于KG的药物再利用在COVID-19中的应用 37524.5 未来的方向 37624.5.1 KG质量控制 37624.5.2 可扩展的推理 37724.5.3 KG与其他生物医学数据的结合 378第 25章 预测蛋白质功能和相互作用的图神经网络 38325.1 从蛋白质的相互作用到功能简介 38325.1.1 登上舞台：蛋白质-蛋白质相互作用网络 38425.1.2 问题形式化、假设和噪声：从历史的视角 38425.1.3 浅层机器学习模型 38525.1.4 好戏上演：图神经网络 38625.2 三个典型的案例研究 38725.2.1 案例研究1：蛋白质-蛋白质和蛋白质-药物相互作用的预测 38725.2.2 案例研究2：蛋白质功能和功能重要的残差的预测 38925.2.3 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 39125.3 未来的方向 393第 26章 异常检测中的图神经网络 39526.1 导读 39526.2 基于GNN的异常检测的问题 39726.2.1 特定于数据的问题 39726.2.2 特定于任务的问题 39926.2.3 特定于模型的问题 39926.3 流水线 40026.3.1 图的构建和转换 40026.3.2 图表征学习 40126.3.3 预测 40226.4 分类法 40326.5 案例研究 40426.5.1 案例研究1：用于恶意账户检测的图嵌入 40426.5.2 案例研究2：基于层次注意力机制的套现用户检测 40426.5.3 案例研究3：用于恶意程序检测的注意力异质图神经网络 40526.5.4 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 40626.5.5 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 40826.5.6 案例研究6：使用GAS进行垃圾评论检测 40826.6 未来的方向 409第 27章 智慧城市中的图神经网络 41027.1 用于智慧城市的图神经网络 41027.1.1 导读 41027.1.2 图神经网络在智慧城市中的应用场景 41127.1.3 将城市系统表征为图 41327.1.4 案例研究1：图神经网络在交通和城市规划中的应用 41527.1.5 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 41727.1.6 案例研究3：图神经网络在城市人类行为分析中的应用 41727.2 未来的方向 419参考文献 420
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
