《圖神經網路：基礎、前沿與套用》是一本2022年人民郵電出版社出版的圖書，作者是吳凌飛、崔鵬、裴健、趙亮。
基本介紹
- 中文名：圖神經網路：基礎、前沿與套用
- 作者：吳凌飛、崔鵬、裴健、趙亮
- 出版時間：2022年11月1日
- 出版社：人民郵電出版社
- 頁數：516 頁
- 字數：778000
- ISBN：9787115598721
- 開本：16 開
- 裝幀：平裝
- 版次：1
內容簡介,作者簡介,圖書目錄,
內容簡介
本書致力於介紹圖神經網路的基本概念和算法、研究前沿以及廣泛和新興的套用，涵蓋圖神經網路的廣泛主題，從基礎到前沿，從方法到套用，涉及從方法論到套用場景方方面面的內容。全書分為四部分：第一部分介紹圖神經網路的基本概念；第二部分討論圖神經網路成熟的方法；第三部分介紹圖神經網路典型的前沿領域；第四部分描述可能對圖神經網路未來研究比較重要和有前途的方法與套用的進展情況。
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計算機系。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。
崔鵬博士
清華大學計算機系終身副教授。於2010年在清華大學獲得博士學位。
裴健博士
杜克大學電子與計算機工程系教授。他是數據科學、大數據、數據挖掘和資料庫系統等領域的研究人員。
趙亮博士
埃默里大學計算科學系助理教授。曾在喬治梅森大學信息科學與技術系和計算機科學系擔任助理教授。
圖書目錄
第 一部分 引言
第 1章 表征學習 2
1.1 導讀 2
1.2 不同領域的表征學習 3
1.2.1 用於圖像處理的表征學習 3
1.2.2 用於語音識別的表征學習 5
1.2.3 用於自然語言處理的表征學習 7
1.2.4 用於網路分析的表征學習 8
1.3 小結 9
第 2章 圖表征學習 11
2.1 導讀 11
2.2 傳統圖嵌入方法 12
2.3 現代圖嵌入方法 13
2.3.1 保留圖結構和屬性的圖表征學習 13
2.3.2 帶有側面信息的圖表征學習 15
2.3.3 保留高級信息的圖表征學習 15
2.4 圖神經網路 16
2.5 小結 17
第3章 圖神經網路 18
3.1 導讀 18
3.2 圖神經網路概述 19
3.2.1 圖神經網路基礎 19
3.2.2 圖神經網路前沿 20
3.2.3 圖神經網路套用 22
3.2.4 本書組織結構 23
3.3 小結 24
第二部分 基礎
第4章 用於節點分類的圖神經網路 28
4.1 背景和問題定義 28
4.2 有監督的圖神經網路 29
4.2.1 圖神經網路的一般框架 29
4.2.2 圖卷積網路 30
4.2.3 圖注意力網路 32
4.2.4 訊息傳遞神經網路 33
4.2.5 連續圖神經網路 33
4.2.6 多尺度譜圖卷積網路 35
4.3 無監督的圖神經網路 37
4.3.1 變分圖自編碼器 37
4.3.2 深度圖信息最大化 39
4.4 過平滑問題 41
4.5 小結 42
第5章 圖神經網路的表達能力 44
5.1 導讀 44
5.2 圖表征學習和問題的提出 47
5.3 強大的訊息傳遞圖神經網路 49
5.3.1 用於集合的神經網路 49
5.3.2 訊息傳遞圖神經網路 50
5.3.3 MP-GNN的表達能力 51
5.3.4 具有1-WL測試能力的MP-GNN 53
5.4 比1-WL測試更強大的圖神經網路架構 54
5.4.1 MP-GNN的局限性 54
5.4.2 注入隨機屬性 56
5.4.3 注入確定性距離屬性 61
5.4.4 建立高階圖神經網路 65
5.5 小結 69
第6章 圖神經網路的可擴展性 71
6.1 導讀 71
6.2 引言 72
6.3 抽樣範式 72
6.3.1 節點級抽樣 74
6.3.2 層級抽樣 76
6.3.3 圖級抽樣 79
6.4 大規模圖神經網路在推薦系統中的套用 82
6.4.1 物品-物品推薦 82
6.4.2 用戶-物品推薦 83
6.5 未來的方向 84
第7章 圖神經網路的可解釋性 86
7.1 背景：深度模型的可解釋性 86
7.1.1 可解釋性和解釋的定義 86
7.1.2 解釋的價值 87
7.1.3 傳統的解釋方法 88
7.1.4 機遇與挑戰 90
7.2 圖神經網路的解釋方法 90
7.2.1 背景 91
7.2.2 基於近似的解釋 92
7.2.3 基於相關性傳播的解釋 95
7.2.4 基於擾動的解釋 96
7.2.5 生成式解釋 97
7.3 圖神經網路的可解釋模型 97
7.3.1 基於GNN的注意力模型 98
7.3.2 圖上的解耦化表征學習 100
7.4 圖神經網路解釋的評估 101
7.4.1 基準數據集 101
7.4.2 評價指標 103
7.5 未來的方向 103
第8章 圖神經網路的對抗魯棒性 105
8.1 動機 105
8.2 圖神經網路的局限性：對抗性樣本 107
8.2.1 對抗性攻擊的分類 107
8.2.2 擾動的影響和一些啟示 110
8.2.3 討論和未來的方向 112
8.3 可證明的魯棒性：圖神經網路的認證 113
8.3.1 特定模型的認證 113
8.3.2 模型無關的認證 115
8.3.3 高級認證和討論 116
8.4 提高圖神經網路的魯棒性 117
8.4.1 改進圖 117
8.4.2 改進訓練過程 118
8.4.3 改進圖神經網路的架構 120
8.4.4 討論和未來的方向 121
8.5 從魯棒性的角度進行適當評估 122
8.6 小結 124
第三部分 前沿
第9章 圖分類 128
9.1 導讀 128
9.2 用於圖分類的圖神經網路：典型工作和現代架構 129
9.2.1 空間方法 129
9.2.2 頻譜方法 132
9.3 池化層：從節點級輸出學習圖級輸出 133
9.3.1 基於注意力的池化層 134
9.3.2 基於聚類的池化層 134
9.3.3 其他池化層 134
9.4 圖神經網路和高階層在圖分類中的局限性 135
9.5 圖神經網路在圖分類中的套用 137
9.6 基準數據集 137
9.7 小結 138
第 10章 連結預測 139
10.1 導讀 139
10.2 傳統的連結預測方法 140
10.2.1 啟發式方法 140
10.2.2 潛在特徵方法 143
10.2.3 基於內容的方法 145
10.3 基於GNN的連結預測方法 145
10.3.1 基於節點的方法 145
10.3.2 基於子圖的方法 147
10.3.3 比較基於節點的方法和基於子圖的方法 150
10.4 連結預測的理論 151
10.4.1 γ–衰減啟發式理論 151
10.4.2 貼標籤技巧 155
10.5 未來的方向 158
10.5.1 加速基於子圖的方法 158
10.5.2 設計更強大的貼標籤技巧 159
10.5.3 了解何時使用獨熱特徵 159
第 11章 圖生成 160
11.1 導讀 160
11.2 經典的圖生成模型 160
11.3 深度圖生成模型 163
11.4 小結 178
第 12章 圖轉換 179
12.1 圖轉換問題的形式化 179
12.2 節點級轉換 180
12.3 邊級轉換 182
12.4 節點-邊共轉換 186
12.5 其他基於圖的轉換 193
12.6 小結 196
第 13章 圖匹配 197
13.1 導讀 197
13.2 圖匹配學習 198
13.3 圖相似性學習 205
13.4 小結 210
第 14章 圖結構學習 211
14.1 導讀 211
14.2 傳統的圖結構學習 212
14.3 圖神經網路的圖結構學習 215
14.4 未來的方向 226
14.5 小結 227
第 15章 動態圖神經網路 228
15.1 導讀 228
15.2 背景和表示法 229
15.3 動態圖的類型 233
15.4 用圖神經網路對動態圖進行建模 236
15.5 套用 242
15.6 小結 247
第 16章 異質圖神經網路 248
16.1 HGNN簡介 248
16.2 淺層模型 251
16.3 深度模型 254
16.4 回顧 259
16.5 未來的方向 259
第 17章 自動機器學習 262
17.1 背景 262
17.2 搜尋空間 265
17.3 搜尋算法 269
17.4 未來的方向 273
第 18章 自監督學習 275
18.1 導讀 275
18.2 自監督學習概述 276
18.3 將SSL套用於圖神經網路：對訓練策略、損失函式和代理任務進行分類 277
18.4 節點級代理任務 283
18.5 圖級代理任務 287
18.6 節點-圖級代理任務 293
18.7 討論 294
18.8 小結 295
第四部分 廣泛和新興的套用
第 19章 現代推薦系統中的圖神經網路 298
19.1 圖神經網路在推薦系統中的實踐 298
19.2 案例研究1：動態的GNN學習 304
19.3 案例研究2：設備-雲協作的GNN學習 309
19.4 未來的方向 313
第 20章 計算機視覺中的圖神經網路 315
20.1 導讀 315
20.2 將視覺表征為圖 316
20.3 案例研究1：圖像 318
20.4 案例研究2：視頻 320
20.5 其他相關工作：跨媒體 322
20.6 圖神經網路在計算機視覺中的前沿問題 324
20.7 小結 326
第 21章 自然語言處理中的圖神經網路 327
21.1 導讀 327
21.2 將文本建模為圖 329
21.3 案例研究1：基於圖的文本聚類和匹配 332
21.4 案例研究2：基於圖的多跳閱讀理解 335
21.5 未來的方向 338
21.6 小結 339
第 22章 程式分析中的圖神經網路 341
22.1 導讀 341
22.2 程式分析中的機器學習 342
22.3 程式的圖表征 343
22.4 用於程式圖的圖神經網路 345
22.5 案例研究1：檢測變數誤用缺陷 346
22.6 案例研究2：預測動態類型化語言中的類型 348
22.7 未來的方向 350
第 23章 軟體挖掘中的圖神經網路 352
23.1 導讀 352
23.2 將軟體建模為圖 353
23.3 相關的軟體挖掘任務 355
23.4 軟體挖掘任務實例：原始碼總結 357
23.5 小結 364
第 24章 藥物開發中基於圖神經網路的生物醫學知識圖譜挖掘 366
24.1 導讀 366
24.2 現有的生物醫學知識圖譜 367
24.3 知識圖譜的推理 369
24.4 藥物開發中基於KG的假設生成 374
24.5 未來的方向 376
第 25章 預測蛋白質功能和相互作用的圖神經網路 383
25.1 從蛋白質的相互作用到功能簡介 383
25.2 三個典型的案例研究 387
25.3 未來的方向 393
第 26章 異常檢測中的圖神經網路 395
26.1 導讀 395
26.2 基於GNN的異常檢測的問題 397
26.3 流水線 400
26.4 分類法 403
26.5 案例研究 404
26.6 未來的方向 409
第 27章 智慧城市中的圖神經網路 410
27.1 用於智慧城市的圖神經網路 410
27.2 未來的方向 419
參考文獻 420
