基於信息增強的圖神經網絡學習方法研究

目 錄
第 1 章 緒論
1.1 圖神經網絡研究的背景及意義
1.2 網絡表示學習與圖神經網絡國內外研究現狀
1.2.1 基於矩陣特徵向量的方法
1.2.2 基於隨機游走的方法
1.2.3 基於矩陣分解的方法
1.4 研究內容和組織結構
1.5 本章小結
第 2 章 圖神經網絡
2.1 神經網絡基礎
2.1.1 神經元模型與感知機
2.1.2 前饋神經網絡
2.1.3 捲積神經網絡
2.1.4 循環神經網絡
2.1.5 自編碼器
2.2 圖數據
2.2.1 生活生產中的圖數據
2.2.2 圖數據的分類
2.2.3 圖任務
2.3 圖神經網絡方法
2.3.1 圖捲積神經網絡
2.3.2 圖註意力網絡
2.3.3 圖自編碼器
2.4 圖神經網絡的應用
2.4.1 在電腦視覺領域的應用
2.4.2 在自然語言處理領域的應用
2.4.3 在生物化學領域的應用
2.4.4 在物理學領域的應用
2.5 本章小結
第 3 章 基於混合階的圖神經網絡模型
3.1 引言
3.2 基於混合階的圖神經網絡模型介紹
3.2.1 符號及其含義
3.2.2 總體框架
3.2.3 基於圖捲積神經網絡學習器模塊
3.2.4 集成模塊
3.3 實驗分析
3.3.1 實驗設置
3.3.2 實驗結果
3.4 本章小結
第 4 章 基於拓撲結構自適應的圖神經網絡模型
4.1 引言
4.2 基於拓撲結構自適應的圖神經網絡模型介紹
4.2.1 符號及其含義
4.2.2 總體框架
4.2.3 邊強度計算模塊
4.2.4 有指導去邊模塊
4.2.5 圖神經網絡學習器模塊
4.2.6 時間復雜度分析
4.2.7 理論分析
4.3 實驗分析
4.3.1 實驗設置
4.3.2 實驗結果
4.4 本章小結
第 5 章 圖結構與節點屬性聯合學習的變分圖自編碼器模型
5.1 引言
5.2 預備知識
5.2.1 符號及其含義
5.2.2 圖捲積神經網絡
5.2.3 圖信號處理
5.3 圖結構與節點屬性聯合學習的變分圖自編碼器模型介紹
5.3.1 總體框架
5.3.2 編碼器
5.3.3 解碼器
5.3.4 優化過程
5.4 實驗分析
5.4.1 實驗設置
5.4.2 實驗結果
5.5 本章小結
第 6 章 基於註意力機制的圖對比學習模型
6.1 引言
6.2 預備知識
6.2.1 符號及其含義
6.2.2 圖對比學習
6.3 基於註意力機制的圖對比學習模型介紹
6.3.1 圖增廣模塊
6.3.2 節點嵌入模塊
6.3.3 半監督圖對比學習模塊
6.3.4 優化處理模塊
6.3.5 復雜度分析
6.3.6 收斂性分析
6.4 實驗分析
6.4.1 實驗設置
6.4.2 實驗結果
6.5 本章小結
第 7 章 總結與展望
參考文獻
後記