近年來，圖神經網路（GNN）獲得了快速、令人難以置信的進展。圖神經網路又稱為圖深度學習、圖表徵學習（圖表示學習）或幾何深度學習，是機器學習特別是深度學習領域增長最快的研究課題。圖論和深度學習交叉領域的這波研究浪潮也影響了其他科學領域，包括推薦系統、電腦視覺、自然語言處理、歸納邏輯程式設計、程式合成、軟體挖掘、自動規劃、網路安全和智慧交通等。
儘管圖神經網路已經取得令人矚目的成就，但我們在將其應用於其他領域時仍面臨著許多挑戰，包括從方法的理論理解到實際系統中的可擴充性和可解釋性，從方法的合理性到應用中的經驗表現等等。然而，隨著圖神經網路的快速發展，要獲得圖神經網路發展的全域角度是非常具有挑戰性的。因此，我們感到迫切需要彌合上述差距，並就這一快速增長但具有挑戰性的主題撰寫一本全面的書，這可以使讀者們受益，包括高年級大學生、研究所學生、博士後研究人員、講師及相關的從業人員。
本書涵蓋圖神經網路的廣泛主題，從基礎到前端，從方法到應用，涉及從方法論到應用場景各方面的內容。我們致力於介紹圖神經網路的基本概念和演算法、研究前端以及廣泛和新興的應用。
| FindBook |
|
有 1 項符合
裴健的圖書 |
 |
$ 948 ～ 1080 | AI GNN再進化：圖神經網路完整學習及應用大全【金石堂、博客來熱銷】
作者：吳凌飛、崔鵬、裴健、趙亮(編) 出版社：深智數位股份有限公司 出版日期：2023-09-20  共 5 筆 → 查價格、看圖書介紹
|
|
|
圖書介紹 - 資料來源：TAAZE 讀冊生活 評分：
圖書名稱：AI GNN再進化：圖神經網路完整學習及應用大全
本書全面介紹了圖神經網路的各個方面，包括基礎理論、前沿問題，以及模型算法和實際應用。
全書共分為四部分，27章。首部分為引言，探討了機器學習的效率與資料在特徵空間中的表示方法的關係，並著重於圖表示學習的目標與方法。
第二部分討論了圖神經網路的基礎問題，包括表現能力、可擴展性、可解釋性和對抗堅固性等問題，並強調了圖神經網路所面對的獨特挑戰。
第三部分則著重於前沿問題，包括圖分類、連接預測、圖生成、圖轉換、圖匹配、圖結構學習、動態圖神經網路、異質圖神經網路、自動機器學習和自監督學習等領域的現狀和未來趨勢。
最後一部分則廣泛討論了圖神經網路在現代推薦系統、計算機視覺、自然語言處理、程序分析、藥物開發等領域的應用。
作者簡介：
吳凌飛 博士
畢業於美國公立常春藤盟校之一的威廉與瑪麗學院電腦系。目前他是Pinterest公司主管知識圖譜和內容理解的研發工程經理。曾任京東矽谷研究中心的首席科學家和IBM Thomas J. Watson Research Center的高級研究員。主要研究方向是機器學習、表徵學習和自然語言處理的有機結合，在圖神經網路及其應用方面有深入研究。他在機器學習、深度學習等領域的著名會議或期刊上發表100多篇論文。
崔鵬 博士
清華大學電腦系終身副教授。於2010年在清華大學獲得博士學位。研究興趣包括資料探勘、機器學習和多媒體分析，擅長網路表示學習、因果推理和穩定學習、社會動力學建模和用戶行為建模等。他在機器學習和資料探勘領域的著名會議或期刊上發表100多篇論文。
裴健 博士
杜克大學電子與電腦工程系教授。他是資料科學、大資料、資料探勘和資料庫系統等領域的研究人員。他擅長為新型資料密集型應用開發有效的資料分析技術，並將其研究成果轉化為產品和商業實踐。自2000年以來，他已經出版一本教科書、兩本專著，並在眾多具有影響力的會議或期刊上發表300多篇論文。
趙亮 博士
埃默里大學計算科學系助理教授。曾在喬治梅森大學資訊科學與技術系和電腦科學系擔任助理教授。於2016年在維吉尼亞理工大學電腦科學系獲得博士學位。研究興趣包括資料探勘、人工智慧和機器學習，在時空和網路資料探勘、圖深度學習、非凸優化、事件預測和可解釋機器學習等方面有深入研究。
作者序
近年來，圖神經網路（GNN）獲得了快速、令人難以置信的進展。圖神經網路又稱為圖深度學習、圖表徵學習（圖表示學習）或幾何深度學習，是機器學習特別是深度學習領域增長最快的研究課題。圖論和深度學習交叉領域的這波研究浪潮也影響了其他科學領域，包括推薦系統、電腦視覺、自然語言處理、歸納邏輯程式設計、程式合成、軟體挖掘、自動規劃、網路安全和智慧交通等。
儘管圖神經網路已經取得令人矚目的成就，但我們在將其應用於其他領域時仍面臨著許多挑戰，包括從方法的理論理解到實際系統中的可擴充性和可解釋性，從方法的合理性到應用...
儘管圖神經網路已經取得令人矚目的成就，但我們在將其應用於其他領域時仍面臨著許多挑戰，包括從方法的理論理解到實際系統中的可擴充性和可解釋性，從方法的合理性到應用...
顯示全部內容
目錄
第一部分 引 言
第1章 表徵學習
1.1 導讀
1.2 不同領域的表徵學習
1.3 小結
第2章 圖表徵學習
2.1 導讀
2.2 傳統圖嵌入方法
2.3 現代圖嵌入方法
2.4 圖神經網路
2.5 小結
第3章 圖神經網路
3.1 導讀
3.2 圖神經網路概述
3.3 小結
第二部分 基 礎
第4章 用於節點分類的圖神經網路
4.1 背景和問題定義
4.2 有監督的圖神經網路
4.3 無監督的圖神經網路
4.4 過平滑問題
4.5 小結
第5章 圖神經網路...
第1章 表徵學習
1.1 導讀
1.2 不同領域的表徵學習
1.3 小結
第2章 圖表徵學習
2.1 導讀
2.2 傳統圖嵌入方法
2.3 現代圖嵌入方法
2.4 圖神經網路
2.5 小結
第3章 圖神經網路
3.1 導讀
3.2 圖神經網路概述
3.3 小結
第二部分 基 礎
第4章 用於節點分類的圖神經網路
4.1 背景和問題定義
4.2 有監督的圖神經網路
4.3 無監督的圖神經網路
4.4 過平滑問題
4.5 小結
第5章 圖神經網路...
顯示全部內容
|
