圖神經網絡導論 (Introduction to Graph Neural Networks)
劉知遠 周界
- 出版商: 人民郵電
- 出版日期: 2021-04-01
- 售價: $419
- 貴賓價: 9.5 折 $398
- 語言: 簡體中文
- 頁數: 147
- 裝訂: 平裝
- ISBN: 7115559848
- ISBN-13: 9787115559845
-
相關分類:
DeepLearning
- 此書翻譯自: Introduction to Graph Neural Networks
立即出貨
買這商品的人也買了...
-
無瑕的程式碼－敏捷軟體開發技巧守則 (Clean Code: A Handbook of Agile Software Craftsmanship)$580$452 -
成長駭客 Growth Hacker -- 未來十年最被需要的新型人才，用低成本的創意思考和分析技術，讓創業公司的用戶$420$378 -
$505Julia 編程從入門到實踐 -
機器學習工程師面試全破解：嚴選124道AI演算法決勝題完整剖析$650$507 -
深入淺出圖神經網絡：GNN 原理解析$534$507 -
量子電腦程式設計 (Programming Quantum Computers: Essential Algorithms and Code Samples)$680$537 -
量子電腦與量子計算｜IBM Q Experience 實作$580$493 -
Kubernetes 微服務實戰 (Hands-On Microservices with Kubernetes)$714$678 -
矽谷資深演算法大師：帶你學深度學習推薦系統 (附8頁彩頁)$780$616 -
$709遷移學習 -- TRANSFER LEARNING (楊強教授新作) -
AI 醫療 DEEP MEDICINE (Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again)$680$537 -
強化式學習：打造最強 AlphaZero 通用演算法$780$616 -
Kaggle 競賽攻頂秘笈 -- 揭開 Grandmaster 的特徵工程心法，掌握制勝的關鍵技術$1,000$790 -
$403圖神經網絡：基礎與前沿 -
深度強化式學習 (Deep Reinforcement Learning in Action)$1,000$790 -
$180機器學習公式詳解 -
矽谷工程師教你 Kubernetes：史上最全 CI/CD 中文應用指南（iT邦幫忙鐵人賽系列書）$600$468 -
$449人工智能數學基礎 -
機器學習設計模式 (Machine Learning Design Patterns: Solutions to Common Challenges in Data Preparation, Model Building, and Mlops)$680$537 -
資料科學的建模基礎 : 別急著 coding！你知道模型的陷阱嗎？$599$509 -
圖深度學習$708$673 -
人工智慧大現場 - 實用篇－35天從入門到完成專案$690$538 -
$556圖表示學習 -
$454圖深度學習從理論到實踐 -
AI GNN 再進化 -- 圖神經網路完整學習及應用大全$1,200$1,020
相關主題
商品描述
圖神經網絡（GNN）是基於深度學習的圖數據處理方法，因其卓越的性能而受到廣泛關註。本書全面介紹了GNN的基本概念、具體模型和實際應用。書中首先概述數學基礎和神經網絡以及圖神經網絡的基本概念，接著介紹不同種類的GNN，包括捲積圖神經網絡、循環圖神經網絡、圖註意力網絡、圖殘差網絡，以及幾個通用框架。此外，本書還介紹了GNN在結構化場景、非結構化場景和其他場景中的應用。讀完本書，你將對GNN的最新成果和發展方向有較為透徹的認識。
作者簡介
【作者簡介】
劉知遠
清華大學計算機科學與技術系副教授、博士生導師、智源人工智能研究院研究員，在自然語言處理、表示學習、知識圖譜等人工智能研究領域享有盛譽，所開發的自然語言處理算法已成為該領域的代表方法。
2018年入選《麻省理工科技評論》“35歲以下科技創新35人”。
周界
清華大學計算機科學與技術系碩士，曾在ACL、KDD等國際會議上發表論文，研究興趣包括圖神經網絡和自然語言處理。
【譯者簡介】
李濼秋
浙江大學計算機科學碩士，研究興趣主要為自然語言處理。
目錄大綱
第1章引論1
1．1設計動機1
1．1．1卷積神經網絡1
1．1．2圖嵌入3
1．2相關工作3
第2章數學和圖論基礎7
2．1線性代數7
2．1．1基本概念7
2．1．2特徵分解10
2．1．3奇異值分解11
2．2概率論12
2．2．1基本概念和公式12
2．2．2概率分佈14
2．3圖論15
2．3．1基本概念16
2．3．2圖的代數表示16
第3章神經網絡基礎19
3．1神經元19
3．2後向傳播22
3．3神經網絡24
第4章基礎圖神經網絡27
4．1概述27
4．2模型介紹28
4．3局限性30
第5章卷積圖神經網絡33
5．1基於譜分解的方法33
5．1．1 Spectral Network 33
5．1．2 ChebNet 34
5．1．3 GCN 35
5．1．4 AGCN 36
5．2基於空間結構的方法37
5．2．1 Neural FP 37
5．2．2 PATCHY-SAN 38
5．2．3 DCNN 40
5．2．4 DGCN 40
5．2．5 LGCN 42
5．2．6 MoNet 44
5．2．7 GraphSAGE 45
第6章循環圖神經網絡47
6．1 GGNN 47
6．2 Tree-LSTM 49
6．3 Graph-LSTM 50
6．4 S-LSTM 51
第7章圖注意力網絡55
7．1 GAT 55
7．2 GaAN 57
第8章圖殘差網絡59
8．1 Highway GCN 59
8．2 Jump Knowledge Network 60
8．3 DeepGCN 62
第9章不同圖類型的模型變體65
9．1有向圖65
9．2異構圖66
9．3帶有邊信息的圖68
9．4動態圖70
9．5多維圖72
第10章高級訓練方法75
10．1採樣75
10．2層級池化78
10．3數據增廣80
10．4無監督訓練80
第11章通用框架83
11．1 MPNN 83
11．2 NLNN 85
11．3 GN 87
第12章結構化場景應用93
12．1物理學93
12．2化學和生物學95
12．2．1分子指紋95
12．2．2化學反應預測97
12 ．2．3藥物推薦97
12．2．4蛋白質和分子交互預測98
12．3知識圖譜99
12．3．1知識圖譜補全99
12．3．2歸納式知識圖譜嵌入100
12．3．3知識圖譜對齊101
12．4推薦系統102
12．4．1矩陣補全103
12．4．2社交推薦104
第13章非結構化場景應用105
13．1圖像領域105
13．1．1圖像分類105
13．1．2視覺推理108
13．1．3語義分割109
13．2文本領域110
13．2．1文本分類110
13．2．2序列標註111
13．2．3神經機器翻譯112
13．2 ．4信息抽取113
13．2．5事實驗證114
13．2．6其他應用116
第14章其他場景應用117
14．1生成模型117
14．2組合優化119
第15章開放資源121
15．1數據集121
15．2代碼實現123
第16章總結125
16．1淺層結構125
16．2動態圖126
16． 3非結構化場景126
16．4可擴展性126
參考文獻129
作者簡介148
