| FindBook |
有 1 項符合
圖神經網路導論的圖書 |
 |
圖神經網路導論 作者：劉知遠 出版社：人民郵電出版社 出版日期：2021-04-01 語言：簡體中文 規格：平裝 / 147頁 / 32k/ 13 x 19 x 1 cm / 普通級/ 單色印刷 / 初版 |
博客來| 圖書館借閱 |
| 國家圖書館 | 全國圖書書目資訊網 | 國立公共資訊圖書館 | 電子書服務平台 | MetaCat 跨館整合查詢 |
| 臺北市立圖書館 | 新北市立圖書館 | 基隆市公共圖書館 | 桃園市立圖書館 | 新竹縣公共圖書館 |
| 苗栗縣立圖書館 | 臺中市立圖書館 | 彰化縣公共圖書館 | 南投縣文化局 | 雲林縣公共圖書館 |
| 嘉義縣圖書館 | 臺南市立圖書館 | 高雄市立圖書館 | 屏東縣公共圖書館 | 宜蘭縣公共圖書館 |
| 花蓮縣文化局 | 臺東縣文化處 |
|
|
圖書介紹 - 資料來源：博客來 評分：
圖書名稱：圖神經網路導論
內容簡介
圖神經網路（GNN）是基於深度學習的圖資料處理方法，因其卓越的性能而受到廣泛關注。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路以及圖神經網路的基本概念，接著介紹不同種類的GNN，包括卷積圖神經網路、循環圖表神經網路、圖注意力網路、圖殘差網路，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。
作者介紹
劉知遠
清華大學電腦科學與技術系副教授、博士生導師、智源人工智慧研究院研究員，在自然語言處理、表示學習、知識圖譜等人工智慧研究領域享有盛譽，所開發的自然語言處理演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
清華大學電腦科學與技術系碩士，曾在ACL、KDD等國際會議上發表論文，研究興趣包括圖神經網路和自然語言處理。
清華大學電腦科學與技術系副教授、博士生導師、智源人工智慧研究院研究員，在自然語言處理、表示學習、知識圖譜等人工智慧研究領域享有盛譽，所開發的自然語言處理演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
清華大學電腦科學與技術系碩士，曾在ACL、KDD等國際會議上發表論文，研究興趣包括圖神經網路和自然語言處理。
目錄
第1章 引論 1
1．1 設計動機 1
1．1．1 卷積神經網路 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 神經網路基礎 19
3．1 神經元 19
3．2 後向傳播 22
3．3 神經網路 24
第4章 基礎圖神經網路 27
4．1 概述 27
4．2 模型介紹 28
4．3 局限性 30
第5章 卷積圖神經網路 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 循環圖表神經網路 47
6．1 GGNN 47
6．2 Tree-LSTM 49
6．3 Graph-LSTM 50
6．4 S-LSTM 51
第7章 圖注意力網路 55
7．1 GAT 55
7．2 GaAN 57
第8章 圖殘差網路 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 帶有邊資訊的圖 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 序列標注 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 資料集 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
1．1 設計動機 1
1．1．1 卷積神經網路 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 神經網路基礎 19
3．1 神經元 19
3．2 後向傳播 22
3．3 神經網路 24
第4章 基礎圖神經網路 27
4．1 概述 27
4．2 模型介紹 28
4．3 局限性 30
第5章 卷積圖神經網路 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 循環圖表神經網路 47
6．1 GGNN 47
6．2 Tree-LSTM 49
6．3 Graph-LSTM 50
6．4 S-LSTM 51
第7章 圖注意力網路 55
7．1 GAT 55
7．2 GaAN 57
第8章 圖殘差網路 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 帶有邊資訊的圖 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 序列標注 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 資料集 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
|
