圖表征學習：邁向動態(tài)開放環(huán)境
定 價：108 元
叢書名：人工智能前沿技術叢書
- 作者：朱文武
- 出版時間：2023/7/1
- ISBN：9787121454868
- 出 版 社：電子工業(yè)出版社
- 中圖法分類：TP181
- 頁碼：260
- 紙張：
- 版次：01
- 開本：16開
圖數(shù)據(jù)是對萬物間聯(lián)系的一般抽象，廣泛存在于各行各業(yè)中。圖表征學習為圖數(shù)據(jù)的建模與分析提供了新范式，是近年來機器學習與數(shù)據(jù)挖掘領域的熱門研究方向，并被有效地應用于推薦系統(tǒng)、交通預測等眾多領域。本書將全面介紹圖表征學習，特別是針對處于真實世界動態(tài)、開放環(huán)境之中圖數(shù)據(jù)的圖表征學習方法。本書分為3 篇：第1 篇介紹圖嵌入和圖神經(jīng)網(wǎng)絡等經(jīng)典圖表征學習方法；第2 篇圍繞魯棒性、動態(tài)性、可解釋性、分布外泛化性等多個角度，系統(tǒng)地介紹針對動態(tài)開放環(huán)境中的圖表征學習方法；第3 篇以四個不同領域為例，從推薦系統(tǒng)、交通預測、自然語言處理、組合優(yōu)化等場景，介紹圖表征學習的應用方法。除了對代表性方法進行詳細介紹，本書還提供了豐富的參考文獻，讀者可以更深入地學習圖表征學習的前沿內容。本書適合具有一定機器學習基礎的高年級本科生、研究生、教師和研究者，以及對圖數(shù)據(jù)感興趣的計算機工程師和從業(yè)人員閱讀，也適合對人工智能、深度學習和圖數(shù)據(jù)分析感興趣的其他人士參考。
朱文武清華大學計算機科學與技術系教授，清華大學人工智能研究院大數(shù)據(jù)智能中心主任，信息科學與技術國家研究中心副主任，國家973項目首席科學家。歐洲科學院院士、ACM Fellow、IEEE Fellow、AAAS Fellow、SPIE Fellow。曾任微軟亞洲研究院主任研究員、英特爾中國研究院首席科學家與總監(jiān)及美國貝爾實驗室研究員等職。主要從事多媒體智能計算、大數(shù)據(jù)分析等研究工作。曾擔任IEEE Transactions on Multimedia主編、指導委員會主席。10次獲國際最佳論文獎。獲2018年度國家自然科學二等獎（排名第1）和2012年度國家自然科學二等獎（排名第2）。王 鑫清華大學計算機科學與技術系助理研究員，中國計算機學會多媒體專業(yè)技術委員會副秘書長，清華大學博士后校友會秘書處副秘書長。主要研究方向為多媒體智能、媒體大數(shù)據(jù)、機器學習等，在IEEE TPAMI、ICML、NeurIPS、ACM Multimedia等相關領域國際頂級期刊或會議上發(fā)表論文100余篇。承擔國家優(yōu)秀青年科學基金等項目，獲2017年度中國博士后創(chuàng)新人才支持計劃、2020年度ACM中國新星獎、2022年度IEEE TCMC新星獎、2022年度教育部自然科學一等獎。張子威清華大學計算機科學與技術系博士后，清華大學數(shù)理基科班學士、計算機系博士。主要研究方向為圖機器學習，在國際頂級期刊和會議上發(fā)表論文30余篇，谷歌學術引用超過3000次。曾獲清華大學優(yōu)秀博士畢業(yè)生與優(yōu)秀博士畢業(yè)論文、吳文俊人工智能優(yōu)秀博士學位論文提名，入選百度AI華人新星百強榜單、AI 2000學者榜單、2022年博士后創(chuàng)新人才支持計劃。
第1 章概述/1
1.1 引言/1
1.2 圖基礎知識/3
1.3 機器學習基礎知識/7
第1 篇經(jīng)典圖表征學習
第2 章圖嵌入/13
2.1 基于隨機游走的圖嵌入/13
2.2 基于矩陣分解的圖嵌入/18
2.3 基于深度自編碼器的圖嵌入/21
2.4 本章小結/24
第3 章圖神經(jīng)網(wǎng)絡/25
3.1 譜域圖神經(jīng)網(wǎng)絡/26
3.2 空域圖神經(jīng)網(wǎng)絡/34
3.3 消息傳遞圖神經(jīng)網(wǎng)絡/41
3.4 圖池化/47
3.5 本章小結/53
第4 章圖表征學習理論分析/54
4.1 圖信號處理/54
4.2 圖同構測試/58
4.3 圖神經(jīng)網(wǎng)絡表達能力/61
4.4 過平滑與深層圖神經(jīng)網(wǎng)絡/64
4.5 本章小結/68
第2 篇動態(tài)開放環(huán)境圖表征學習
第5 章魯棒圖表征學習/71
5.1 圖數(shù)據(jù)上的對抗樣本/71
5.2 圖對抗攻擊的分類/73
5.3 圖神經(jīng)網(wǎng)絡模型上的攻擊與防御方法/75
5.4 本章小結/78
第6 章解耦圖表征學習.79
6.1 基于變分自編碼器的解耦圖神經(jīng)網(wǎng)絡/79
6.2 基于鄰域路由機制的解耦圖神經(jīng)網(wǎng)絡/81
6.3 基于其他思想的解耦圖神經(jīng)網(wǎng)絡/87
6.4 本章小結/90
第7 章動態(tài)圖表征學習/91
7.1 動態(tài)圖數(shù)據(jù)/91
7.2 離散時間動態(tài)圖表征學習/92
7.3 連續(xù)時間動態(tài)圖表征學習/94
7.4 本章小結/96
第8 章無監(jiān)督圖神經(jīng)網(wǎng)絡與自監(jiān)督圖神經(jīng)網(wǎng)絡/97
8.1 無監(jiān)督學習的圖神經(jīng)網(wǎng)絡/97
8.2 自監(jiān)督學習的圖神經(jīng)網(wǎng)絡/99
8.3 本章小結/106
第9 章圖神經(jīng)網(wǎng)絡的可解釋性/107
9.1 簡介/107
9.2 可解釋方法分類/109
9.3 實例級局部解釋/110
9.4 模型級全局解釋/114
9.5 對解釋模型的評價/115
9.6 可解釋性的交叉學科應用/117
9.7 本章小結/118
第10 章自動圖表征學習/119
10.1 自動機器學習簡介/119
10.2 圖超參數(shù)優(yōu)化/120
10.3 圖神經(jīng)網(wǎng)絡架構搜索/122
10.4 本章小結/132
第11 章元學習與圖表征學習/133
11.1 元學習簡介/133
11.2 圖上的元學習/136
11.3 本章小結/143
第12 章分布外泛化圖表征學習/144
12.1 圖分布外泛化問題和分類/145
12.2 數(shù)據(jù)層面方法/148
12.3 模型層面方法/151
12.4 學習策略/155
12.5 理論分析/162
12.6 本章小結/163
第3 篇圖表征學習的應用
第13 章推薦系統(tǒng)/167
13.1 通用推薦/168
13.2 序列推薦/176
13.3 本章小結/179
第14 章交通預測/180
14.1 時空圖/181
14.2 時空圖神經(jīng)網(wǎng)絡模型/181
14.3 本章小結/188
第15 章自然語言處理/189
15.1 文本分類/189
15.2 關系抽取/192
15.3 文本生成/193
15.4 問答系統(tǒng)/196
15.5 其他任務/198
15.6 本章小結/198
第16 章組合優(yōu)化/199
16.1 簡介/199
16.2 預備知識/200
16.3 尋找可行解/201
16.4 本章小結/207
第17 章圖表征學習展望/209
參考文獻/211
書單推薦
