图神经网络：基础、前沿与应用吴凌飞,崔鹏,裴健,赵亮人民邮电出

正版库存一手书，品相视出版时间长短而定，自然成色，可开电子发票，图片由软件自动采集，以书名为准，不以图片不符售后！

作者: 吴凌飞,崔鹏,裴健,赵亮
出版社: 人民邮电出版社
ISBN: 9787115598721
出版时间: 2022-11
版次: 1

装帧: 平装
开本: 16开
纸张: 胶版纸
页数: 516页
字数: 99999千字

作者: 吴凌飞,崔鹏,裴健,赵亮
出版社: 人民邮电出版社
ISBN: 9787115598721
出版时间: 2022-11

版次: 1
装帧: 平装
开本: 16开

纸张: 胶版纸
页数: 516页
字数: 99999千字

售价 118.00 6.6折

定价￥178.80

品相全新品相描述

优惠

运费

本店暂时无法向该地区发货

延迟发货说明

时间：

说明：

上书时间2024-01-04

数量: 库存11件

立即购买加入购物车收藏

卖家超过10天未登录

商品详情
店铺评价

手机购买

微信扫码访问

商品分类：

计算机与互联网

货号：

R_11842871

品相描述：全新

正版库存一手书，品相视出版时间长短而定，自然成色，可开电子发票，图片由软件自动采集，以书名为准，不以图片不符售后！

商品描述：

基本信息
书名:图神经网络：基础、前沿与应用
定价：178.8元
作者:吴凌飞,崔鹏,裴健,赵亮
出版社：人民邮电出版社
出版日期：2022-11-01
ISBN：9787115598721
字数：778000
页码：516
版次：
装帧：平装
开本：16开
商品重量：
编辑
适读人群：本书适合高年级本科生和研究生、博士后研究人员、讲师以及行业从业者阅读与参考。前沿：图神经网络是机器学习、数据科学、数据挖掘领域新兴的发展方向，被称作图上的深度学习，有望推动第三代人工智能的顺利发展。丰富：综述图神经网络的基础理论、模拟算法、研究前沿以及广泛和新兴的应用场景深入：摒弃简单介绍概念与框架的思维，深入分析图神经网络的现状以及未来的调整与机遇，帮助专业人士和初学者知其然知其所以然力荐：囊括国内AI界半壁江山的大咖联袂
内容提要

目录
部分引言章表征学习 21.1 导读 21.2 不同领域的表征学习 31.2.1 用于图像处理的表征学习 31.2.2 用于语音识别的表征学习 51.2.3 用于自然语言处理的表征学习 71.2.4 用于网络分析的表征学习 81.3 小结 9第 2章图表征学习 112.1 导读 112.2 传统图嵌入方法 122.3 现代图嵌入方法 132.3.1 保留图结构和属性的图表征学习 132.3.2 带有侧面信息的图表征学习 152.3.3 保留高级信息的图表征学习 152.4 图神经网络 162.5 小结 17第3章图神经网络 183.1 导读 183.2 图神经网络概述 193.2.1 图神经网络基础 193.2.2 图神经网络前沿 203.2.3 图神经网络应用 223.2.4 本书组织结构 233.3 小结 24第二部分基础第4章用于节点分类的图神经网络 284.1 背景和问题定义 284.2 有监督的图神经网络 294.2.1 图神经网络的一般框架 294.2.2 图卷积网络 304.2.3 图注意力网络 324.2.4 消息传递神经网络 334.2.5 连续图神经网络 334.2.6 多尺度谱图卷积网络 354.3 无监督的图神经网络 374.3.1 变分图自编码器 374.3.2 深度图信息化 394.4 过平滑问题 414.5 小结 42第5章图神经网络的表达能力 445.1 导读 445.2 图表征学习和问题的提出 475.3 强大的消息传递图神经网络 495.3.1 用于集合的神经网络 495.3.2 消息传递图神经网络 505.3.3 MP-GNN的表达能力 515.3.4 具有1-WL测试能力的MP-GNN 535.4 比1-WL测试更强大的图神经网络架构 545.4.1 MP-GNN的局限性 545.4.2 注入随机属性 565.4.3 注入确定性距离属性 615.4.4 建立高阶图神经网络 655.5 小结 69第6章图神经网络的可扩展性 716.1 导读 716.2 引言 726.3 抽样范式 726.3.1 节点级抽样 746.3.2 层级抽样 766.3.3 图级抽样 796.4 大规模图神经网络在系统中的应用 826.4.1 物品-物品 826.4.2 用户-物品 836.5 未来的方向 84第7章图神经网络的可解释性 867.1 背景：深度模型的可解释性 867.1.1 可解释性和解释的定义 867.1.2 解释的价值 877.1.3 传统的解释方法 887.1.4 机遇与挑战 907.2 图神经网络的解释方法 907.2.1 背景 917.2.2 基于近似的解释 927.2.3 基于相关性传播的解释 957.2.4 基于扰动的解释 967.2.5 生成式解释 977.3 图神经网络的可解释模型 977.3.1 基于GNN的注意力模型 987.3.2 图上的解耦化表征学习 1007.4 图神经网络解释的评估 1017.4.1 基准数据集 1017.4.2 评价指标 1037.5 未来的方向 103第8章图神经网络的对抗鲁棒性 1058.1 动机 1058.2 图神经网络的局限性：对抗性样本 1078.2.1 对抗性攻击的分类 1078.2.2 扰动的影响和一些启示 1108.2.3 讨论和未来的方向 1128.3 可证明的鲁棒性：图神经网络的认证 1138.3.1 特定模型的认证 1138.3.2 模型无关的认证 1158.3.3 高级认证和讨论 1168.4 提高图神经网络的鲁棒性 1178.4.1 改进图 1178.4.2 改进训练过程 1188.4.3 改进图神经网络的架构 1208.4.4 讨论和未来的方向 1218.5 从鲁棒性的角度进行适当评估 1228.6 小结 124第三部分前沿第9章图分类 1289.1 导读 1289.2 用于图分类的图神经网络：典型工作和现代架构 1299.2.1 空间方法 1299.2.2 频谱方法 1329.3 池化层：从节点级输出学习图级输出 1339.3.1 基于注意力的池化层 1349.3.2 基于聚类的池化层 1349.3.3 其他池化层 1349.4 图神经网络和高阶层在图分类中的局限性 1359.5 图神经网络在图分类中的应用 1379.6 基准数据集 1379.7 小结 1380章链接预测 13910.1 导读 13910.2 传统的链接预测方法 14010.2.1 启发式方法 14010.2.2 潜在特征方法 14310.2.3 基于内容的方法 14510.3 基于GNN的链接预测方法 14510.3.1 基于节点的方法 14510.3.2 基于子图的方法 14710.3.3 比较基于节点的方法和基于子图的方法 15010.4 链接预测的理论 15110.4.1 γ–衰减启发式理论 15110.4.2 贴标签技巧 15510.5 未来的方向 15810.5.1 加速基于子图的方法 15810.5.2 设计更强大的贴标签技巧 15910.5.3 了解何时使用独热特征 1591章图生成 16011.1 导读 16011.2 经典的图生成模型 16011.3 深度图生成模型 16311.4 小结 1782章图转换 17912.1 图转换问题的形式化 17912.2 节点级转换 18012.3 边级转换 18212.4 节点-边共转换 18612.5 其他基于图的转换 19312.6 小结 1963章图匹配 19713.1 导读 19713.2 图匹配学习 19813.3 图相似性学习 20513.4 小结 2104章图结构学习 21114.1 导读 21114.2 传统的图结构学习 21214.3 图神经网络的图结构学习 21514.4 未来的方向 22614.5 小结 2275章动态图神经网络 22815.1 导读 22815.2 背景和表示法 22915.3 动态图的类型 23315.4 用图神经网络对动态图进行建模 23615.5 应用 24215.6 小结 2476章异质图神经网络 24816.1 HGNN简介 24816.2 浅层模型 25116.3 深度模型 25416.4 回顾 25916.5 未来的方向 2597章自动机器学习 26217.1 背景 26217.2 搜索空间 26517.3 搜索算法 26917.4 未来的方向 2738章自监督学习 27518.1 导读 27518.2 自监督学习概述 27618.3 将SSL应用于图神经网络：对训练策略、损失函数和代理任务进行分类 27718.4 节点级代理任务 28318.5 图级代理任务 28718.6 节点-图级代理任务 29318.7 讨论 29418.8 小结 295第四部分广泛和新兴的应用9章现代系统中的图神经网络 29819.1 图神经网络在系统中的实践 29819.2 案例研究1：动态的GNN学习 30419.3 案例研究2：设备-云协作的GNN学习 30919.4 未来的方向 313第 20章计算机视觉中的图神经网络 31520.1 导读 31520.2 将视觉表征为图 31620.3 案例研究1：图像 31820.4 案例研究2：视频 32020.5 其他相关工作：跨媒体 32220.6 图神经网络在计算机视觉中的前沿问题 32420.7 小结 326第 21章自然语言处理中的图神经网络 32721.1 导读 32721.2 将文本建模为图 32921.3 案例研究1：基于图的文本聚类和匹配 33221.4 案例研究2：基于图的多跳阅读理解 33521.5 未来的方向 33821.6 小结 339第 22章程序分析中的图神经网络 34122.1 导读 34122.2 程序分析中的机器学习 34222.3 程序的图表征 34322.4 用于程序图的图神经网络 34522.5 案例研究1：检测变量误用缺陷 34622.6 案例研究2：预测动态类型化语言中的类型 34822.7 未来的方向 350第 23章软件挖掘中的图神经网络 35223.1 导读 35223.2 将软件建模为图 35323.3 相关的软件挖掘任务 35523.4 软件挖掘任务实例：源代码总结 35723.5 小结 364第 24章药物开发中基于图神经网络的生物医学知识图谱挖掘 36624.1 导读 36624.2 现有的生物医学知识图谱 36724.3 知识图谱的推理 36924.4 药物开发中基于KG的假设生成 37424.5 未来的方向 376第 25章预测蛋白质功能和相互作用的图神经网络 38325.1 从蛋白质的相互作用到功能简介 38325.2 三个典型的案例研究 38725.3 未来的方向 393第 26章异常检测中的图神经网络 39526.1 导读 39526.2 基于GNN的异常检测的问题 39726.3 流水线 40026.4 分类法 40326.5 案例研究 40426.6 未来的方向 409第 27章智慧城市中的图神经网络 41027.1 用于智慧城市的图神经网络 41027.2 未来的方向 419参考文献 420
作者介绍
吴凌飞博士毕业于美国公立常春藤盟校之一的威廉与玛丽学院计算机系。目前他是Pinterest公司主管知识图谱和内容理解的研发工程经理。曾任京东硅谷研究中心的首席科学家和IBM Thomas J. VatsoResearch Centerl的高级研究员。主要研究方向是机器学习、表征学习和自然语言处理的有机结合，在图神经网络及其应用方面有深入研究。他在机器学习、深度学习等领域的会议或期刊上发表100多篇论文。崔鹏博士清华大学计算机系终身副教授。于2010年在清华大学获得博士学位。研究兴趣包括数据挖掘、机器学习和多媒体分析，擅长网络表示学习、因果推理和稳定学习、社会动力学建模和用户行为建模等。他在机器学习和数据挖掘领域的会议或期刊上发表100多篇论文。裴健博士杜克大学电子与计算机工程系教授。他是数据科学、大数据、数据挖掘和数据库系统等领域的研究人员。他擅长为新型数据密集型应用开发有效的数据分析技术，并将其研究成果转化为产品和商业实践。自2000年以来，他已经出版一本教科书、两本专著，并在众多具有影响力的会议或期刊上发表300多篇论文。赵亮博士埃默里大学计算科学系助理教授。曾在乔治梅森大学信息科学与技术系和计算机科学系担任助理教授。于2016年在弗吉尼亚理工大学计算机科学系获得博士学位。研究兴趣包括数据挖掘、人工智能和机器学习，在时空和网络数据挖掘、图深度学习、非凸优化、事件预测和可解释机器学习等方面有深入研究。
序言
- 封面
  
  【封面】
配送说明

...
相似商品
为你推荐