圖表征學(xué)習(xí)：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(shù)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(xué)習(xí)為圖數(shù)據(jù)的建模與分析提供了新范式，是近年來機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘領(lǐng)域的熱門研究方向，并被有效地應(yīng)用于推薦系統(tǒng)、交通預(yù)測等眾多領(lǐng)域。本書將全面介紹圖表征學(xué)習(xí)，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(xué)習(xí)方法。本書分為3 篇：第1 篇介紹圖嵌入和圖神經(jīng)網(wǎng)絡(luò)等經(jīng)典圖表征學(xué)習(xí)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(xué)習(xí)方法；第3 篇以四個不同領(lǐng)域為例，從推薦系統(tǒng)、交通預(yù)測、自然語言處理、組合優(yōu)化等場景，介紹圖表征學(xué)習(xí)的應(yīng)用方法。除了對代表性方法進(jìn)行詳細(xì)介紹，本書還提供了豐富的參考文獻(xiàn)，讀者可以更深入地學(xué)習(xí)圖表征學(xué)習(xí)的前沿內(nèi)容。本書適合具有一定機(jī)器學(xué)習(xí)基礎(chǔ)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(jī)工程師和從業(yè)人員閱讀，也適合對人工智能、深度學(xué)習(xí)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(xué)計算機(jī)科學(xué)與技術(shù)系教授，清華大學(xué)人工智能研究院大數(shù)據(jù)智能中心主任，信息科學(xué)與技術(shù)國家研究中心副主任，國家973項目首席科學(xué)家。歐洲科學(xué)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(xué)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(dān)任IEEE Transactions on Multimedia主編、指導(dǎo)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(xué)二等獎（排名第1）和2012年度國家自然科學(xué)二等獎（排名第2）。王 鑫清華大學(xué)計算機(jī)科學(xué)與技術(shù)系助理研究員，中國計算機(jī)學(xué)會多媒體專業(yè)技術(shù)委員會副秘書長，清華大學(xué)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(jī)器學(xué)習(xí)等，在IEEE TPAMI、ICML、NeurIPS、ACM Multimedia等相關(guān)領(lǐng)域國際頂級期刊或會議上發(fā)表論文100余篇。承擔(dān)國家優(yōu)秀青年科學(xué)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(xué)一等獎。張子威清華大學(xué)計算機(jī)科學(xué)與技術(shù)系博士后，清華大學(xué)數(shù)理基科班學(xué)士、計算機(jī)系博士。主要研究方向為圖機(jī)器學(xué)習(xí)，在國際頂級期刊和會議上發(fā)表論文30余篇，谷歌學(xué)術(shù)引用超過3000次。曾獲清華大學(xué)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(xué)位論文提名，入選百度AI華人新星百強(qiáng)榜單、AI 2000學(xué)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(chǔ)知識/3
1.3 機(jī)器學(xué)習(xí)基礎(chǔ)知識/7
第1 篇經(jīng)典圖表征學(xué)習(xí)
第2 章圖嵌入/13
2.1 基于隨機(jī)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(jié)/24
第3 章圖神經(jīng)網(wǎng)絡(luò)/25
3.1 譜域圖神經(jīng)網(wǎng)絡(luò)/26
3.2 空域圖神經(jīng)網(wǎng)絡(luò)/34
3.3 消息傳遞圖神經(jīng)網(wǎng)絡(luò)/41
3.4 圖池化/47
3.5 本章小結(jié)/53
第4 章圖表征學(xué)習(xí)理論分析/54
4.1 圖信號處理/54
4.2 圖同構(gòu)測試/58
4.3 圖神經(jīng)網(wǎng)絡(luò)表達(dá)能力/61
4.4 過平滑與深層圖神經(jīng)網(wǎng)絡(luò)/64
4.5 本章小結(jié)/68
第2 篇動態(tài)開放環(huán)境圖表征學(xué)習(xí)
第5 章魯棒圖表征學(xué)習(xí)/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(luò)模型上的攻擊與防御方法/75
5.4 本章小結(jié)/78
第6 章解耦圖表征學(xué)習(xí).79
6.1 基于變分自編碼器的解耦圖神經(jīng)網(wǎng)絡(luò)/79
6.2 基于鄰域路由機(jī)制的解耦圖神經(jīng)網(wǎng)絡(luò)/81
6.3 基于其他思想的解耦圖神經(jīng)網(wǎng)絡(luò)/87
6.4 本章小結(jié)/90
第7 章動態(tài)圖表征學(xué)習(xí)/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(xué)習(xí)/92
7.3 連續(xù)時間動態(tài)圖表征學(xué)習(xí)/94
7.4 本章小結(jié)/96
第8 章無監(jiān)督圖神經(jīng)網(wǎng)絡(luò)與自監(jiān)督圖神經(jīng)網(wǎng)絡(luò)/97
8.1 無監(jiān)督學(xué)習(xí)的圖神經(jīng)網(wǎng)絡(luò)/97
8.2 自監(jiān)督學(xué)習(xí)的圖神經(jīng)網(wǎng)絡(luò)/99
8.3 本章小結(jié)/106
第9 章圖神經(jīng)網(wǎng)絡(luò)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(xué)科應(yīng)用/117
9.7 本章小結(jié)/118
第10 章自動圖表征學(xué)習(xí)/119
10.1 自動機(jī)器學(xué)習(xí)簡介/119
10.2 圖超參數(shù)優(yōu)化/120
10.3 圖神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索/122
10.4 本章小結(jié)/132
第11 章元學(xué)習(xí)與圖表征學(xué)習(xí)/133
11.1 元學(xué)習(xí)簡介/133
11.2 圖上的元學(xué)習(xí)/136
11.3 本章小結(jié)/143
第12 章分布外泛化圖表征學(xué)習(xí)/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(xué)習(xí)策略/155
12.5 理論分析/162
12.6 本章小結(jié)/163
第3 篇圖表征學(xué)習(xí)的應(yīng)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(jié)/179
第14 章交通預(yù)測/180
14.1 時空圖/181
14.2 時空圖神經(jīng)網(wǎng)絡(luò)模型/181
14.3 本章小結(jié)/188
第15 章自然語言處理/189
15.1 文本分類/189
15.2 關(guān)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(wù)/198
15.6 本章小結(jié)/198
第16 章組合優(yōu)化/199
16.1 簡介/199
16.2 預(yù)備知識/200
16.3 尋找可行解/201
16.4 本章小結(jié)/207
第17 章圖表征學(xué)習(xí)展望/209
參考文獻(xiàn)/211
書單推薦
