內容大鋼
這是一本從原理、演算法、實現、應用4個維度詳細講解圖神經網路的著作，在圖神經網路領域具有重大的意義。
本書作者是圖神經網路領域的資深技術專家，作者所在的公司極驗也是該領域的領先者。本書是作者和極驗多年研究與實踐經驗的總結，內容系統、紮實、深入淺出，得到了白翔、俞棟等多位學術界和企業界領軍人物的高度評價及強烈推薦。
全書共10章：
第1?4章全面介紹了圖、圖數據、卷積神經網路以及表示學習等基礎知識，是閱讀本書的預備知識；
第5?6章從理論的角度出發，講解了圖信號處理和圖卷積神經網路，深入剖析了圖卷積神經網路的性質，並提供了GCN實現節點分類的實例；
第7?9章全面講解了圖神經網路的各種變體及範式、圖分類機制及其實踐，以及基於GNN的圖表示學習；
第10章介紹了圖神經網路的新研究和應用。
目錄
前言
第1章 圖的概述
1.1 圖的基本定義
1.1.1 圖的基本類型
1.1.2 鄰居和度
1.1.3 子圖與路徑
1.2 圖的存儲與遍歷
1.2.1 鄰接矩陣與關聯矩陣
1.2.2 圖的遍歷
1.3 圖數據的應用場景
1.4 圖數據深度學習
1.5 參考文獻
第2章 神經網路基礎
2.1 機器學習基本概念
2.1.1 機器學習分類
2.1.2 機器學習流程概述
2.1.3 常見的損失函數
2.1.4 梯度下降演算法
2.2 神經網路
2.2.1 神經元
2.2.2 多層感知器
2.3 激活函數
2.3.1 S型激活函數
2.3.2 ReLU及其變種
2.4 訓練神經網路
2.4.1 神經網路的運行過程
2.4.2 反向傳播
2.4.3 優化困境
2.5 參考文獻
第3章 卷積神經網路
3.1 卷積與池化
3.1.1 信號處理中的卷積
3.1.2 深度學習中的卷積操作
3.1.3 池化
3.2 卷積神經網路
3.2.1 卷積神經網路的結構
3.2.2 卷積神經網路的特點
3.3 特殊的卷積形式
3.3.1 1×1卷積
3.3.2 轉置卷積
3.3.3 空洞卷積
3.3.4 分組卷積
3.3.5 深度可分離卷積
3.4 卷積網路在圖像分類中的應用
3.4.1 VGG
3.4.2 Inception系列
3.4.3 ResNet
3.5 參考文獻
第4章 表示學習
4.1 表示學習
4.1.1 表示學習的意義
4.1.2 離散表示與分散式表示
4.1.3 端到端學習是一種強大的表示學習方法
4.2 基於重構損失的方法——自編碼器
4.2.1 自編碼器
4.2.2 正則自編碼器
4.2.3 變分自編碼器
4.3 基於對比損失的方法——Word2vec
4.4 參考文獻
第5章 圖信號處理與圖卷積神經網路
5.1 矩陣乘法的三種方式
5.2 圖信號與圖的拉普拉斯矩陣
5.3 圖傅里葉變換
5.4 圖濾波器
5.4.1 空域角度
5.4.2 頻域角度
5.5 圖卷積神經網路
5.6 GCN實戰
5.7 參考文獻
第6章 GCN的性質
6.1 GCN與CNN的聯繫
6.2 GCN能夠對圖數據進行端對端學習
6.3 GCN是一個低通濾波器
6.4 GCN的問題——過平滑
6.5 參考文獻
第7章 GNN的變體與框架
7.1 GraphSAGE
7.1.1 採樣鄰居
7.1.2 聚合鄰居
7.1.3 GraphSAGE演算法過程
7.2 GAT
7.2.1 注意力機制
7.2.2 圖注意力層
7.2.3 多頭圖注意力層
7.3 R-GCN
7.3.1 知識圖譜
7.3.2 R-GCN
7.4 GNN的通用框架
7.4.1 MPNN
7.4.2 NLNN
7.4.3 GN
7.5 GraphSAGE實戰
7.6 參考文獻
第8章 圖分類
8.1 基於全局池化的圖分類
8.2 基於層次化池化的圖分類
8.2.1 基於圖坍縮的池化機制
8.2.2 基於TopK的池化機制
8.2.3 基於邊收縮的池化機制
8.3 圖分類實戰
8.4 參考文獻
第9章 基於GNN的圖表示學習
9.1 圖表示學習
9.2 基於GNN的圖表示學習
9.2.1 基於重構損失的GNN
9.2.2 基於對比損失的GNN
9.3 基於圖自編碼器的推薦系統
9.4 參考文獻
第10章 GNN的應用簡介
10.1 GNN的應用簡述
10.2 GNN的應用案例
10.2.1 3D視覺
&nb
[