鏈接：pan.baidu.com/s/1nJzc6WCIcKjHIYGrqiYhNA?pwd=pgw5?

提取碼：pgw5

前沿：圖神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)、數(shù)據(jù)科學(xué)、數(shù)據(jù)挖掘領(lǐng)域新興的發(fā)展方向，被稱作圖上的深度學(xué)習(xí)，有望推動(dòng)第三代人工智能的順利發(fā)展。

豐富：綜述圖神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)理論、模擬算法、研究前沿以及廣泛和新興的應(yīng)用場(chǎng)景

深入：摒棄簡(jiǎn)單介紹概念與框架的思維，深入分析圖神經(jīng)網(wǎng)絡(luò)的現(xiàn)狀以及未來(lái)的調(diào)整與機(jī)遇，幫助專業(yè)人士和初學(xué)者知其然知其所以然

力薦：囊括國(guó)內(nèi)AI界半壁江山的大咖聯(lián)袂推薦

內(nèi)容簡(jiǎn)介

本書致力于介紹圖神經(jīng)網(wǎng)絡(luò)的基本概念和算法、研究前沿以及廣泛和新興的應(yīng)用，涵蓋圖神經(jīng)網(wǎng)絡(luò)的廣泛主題，從基礎(chǔ)到前沿，從方法到應(yīng)用，涉及從方法論到應(yīng)用場(chǎng)景方方面面的內(nèi)容。全書分為四部分：第一部分介紹圖神經(jīng)網(wǎng)絡(luò)的基本概念；第二部分討論圖神經(jīng)網(wǎng)絡(luò)成熟的方法；第三部分介紹圖神經(jīng)網(wǎng)絡(luò)典型的前沿領(lǐng)域；第四部分描述可能對(duì)圖神經(jīng)網(wǎng)絡(luò)未來(lái)研究比較重要和有前途的方法與應(yīng)用的進(jìn)展情況。

本書適合高年級(jí)本科生和研究生、博士后研究人員、講師以及行業(yè)從業(yè)者閱讀與參考。

作者簡(jiǎn)介

吳凌飛博士

畢業(yè)于美國(guó)公立常春藤盟校之一的威廉與瑪麗學(xué)院計(jì)算機(jī)系。目前他是Pinterest公司主管知識(shí)圖譜和內(nèi)容理解的研發(fā)工程經(jīng)理。曾任京東硅谷研究中心的首席科學(xué)家和IBM Thomas J. Vatson Research Centerl的高級(jí)研究員。主要研究方向是機(jī)器學(xué)習(xí)、表征學(xué)習(xí)和自然語(yǔ)言處理的有機(jī)結(jié)合，在圖神經(jīng)網(wǎng)絡(luò)及其應(yīng)用方面有深入研究。他在機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等領(lǐng)域的著名會(huì)議或期刊上發(fā)表100多篇論文。

崔鵬博士

清華大學(xué)計(jì)算機(jī)系終身副教授。于2010年在清華大學(xué)獲得博士學(xué)位。研究興趣包括數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)和多媒體分析，擅長(zhǎng)網(wǎng)絡(luò)表示學(xué)習(xí)、因果推理和穩(wěn)定學(xué)習(xí)、社會(huì)動(dòng)力學(xué)建模和用戶行為建模等。他在機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘領(lǐng)域的著名會(huì)議或期刊上發(fā)表100多篇論文。

裴健博士

杜克大學(xué)電子與計(jì)算機(jī)工程系教授。他是數(shù)據(jù)科學(xué)、大數(shù)據(jù)、數(shù)據(jù)挖掘和數(shù)據(jù)庫(kù)系統(tǒng)等領(lǐng)域的研究人員。他擅長(zhǎng)為新型數(shù)據(jù)密集型應(yīng)用開發(fā)有效的數(shù)據(jù)分析技術(shù)，并將其研究成果轉(zhuǎn)化為產(chǎn)品和商業(yè)實(shí)踐。自2000年以來(lái)，他已經(jīng)出版一本教科書、兩本專著，并在眾多具有影響力的會(huì)議或期刊上發(fā)表300多篇論文。

趙亮博士

埃默里大學(xué)計(jì)算科學(xué)系助理教授。曾在喬治梅森大學(xué)信息科學(xué)與技術(shù)系和計(jì)算機(jī)科學(xué)系擔(dān)任助理教授。于2016年在弗吉尼亞理工大學(xué)計(jì)算機(jī)科學(xué)系獲得博士學(xué)位。研究興趣包括數(shù)據(jù)挖掘、人工智能和機(jī)器學(xué)習(xí)，在時(shí)空和網(wǎng)絡(luò)數(shù)據(jù)挖掘、圖深度學(xué)習(xí)、非凸優(yōu)化、事件預(yù)測(cè)和可解釋機(jī)器學(xué)習(xí)等方面有深入研究。

精彩書評(píng)

本書詳細(xì)地介紹了圖神經(jīng)網(wǎng)絡(luò)這一新興的、快速發(fā)展的研究領(lǐng)域。

——韓家煒

美國(guó)伊利諾伊大學(xué)香檳分校計(jì)算機(jī)系教授，ACM院士、IEEE院士

本書對(duì)圖表征學(xué)習(xí)進(jìn)行了綜述，由這一領(lǐng)域的學(xué)者團(tuán)隊(duì)編撰完成，是想了解圖神經(jīng)網(wǎng)絡(luò)的學(xué)生、研究人員和實(shí)踐者的參考之作。

——沈向洋

ACM院士、IEEE院士、美國(guó)工程院院士、英國(guó)皇家工程科學(xué)院國(guó)際院士，微軟研究院前技術(shù)和研究執(zhí)行副總裁

作為深度學(xué)習(xí)的前沿領(lǐng)域，圖神經(jīng)網(wǎng)絡(luò)在組合概率機(jī)器學(xué)習(xí)和符號(hào)推理方面具有強(qiáng)大潛力。它在數(shù)據(jù)驅(qū)動(dòng)范式和知識(shí)驅(qū)動(dòng)范式之間架起了溝通的橋梁，有望促進(jìn)第三代人工智能的發(fā)展。本書以富有洞察力的方式介紹了GNN，內(nèi)容涉及從基礎(chǔ)知識(shí)到前沿發(fā)展，從算法基礎(chǔ)到應(yīng)用探討。對(duì)于任何想要學(xué)習(xí)和了解圖神經(jīng)網(wǎng)絡(luò)的科學(xué)家、工程師和學(xué)生來(lái)說(shuō)，本書是頗具價(jià)值的參考資料。

——張鈸

清華大學(xué)教授，中國(guó)科學(xué)院院士

作為深度學(xué)習(xí)的一個(gè)重要領(lǐng)域，圖神經(jīng)網(wǎng)絡(luò)近年來(lái)取得了突飛猛進(jìn)的發(fā)展。這本由業(yè)界專業(yè)人士撰寫的作品涵蓋了圖神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)和應(yīng)用的方方面面。相信這是一本大家會(huì)想閱讀的書。強(qiáng)烈推薦！

——李航

字節(jié)跳動(dòng)人工智能實(shí)驗(yàn)室總監(jiān)

圖神經(jīng)網(wǎng)絡(luò)是當(dāng)前人工智能的熱門領(lǐng)域之一。本書由國(guó)際數(shù)據(jù)挖掘領(lǐng)域?qū)W者、加拿大皇家學(xué)會(huì)院士裴健教授和CCF-IEEECS青年科學(xué)家獎(jiǎng)獲得者崔鵬教授等領(lǐng)銜出版。英文版已由施普林格出版社推出，中文版將為國(guó)內(nèi)感興趣的讀者提供閱讀學(xué)習(xí)的便利，很有參考價(jià)值，值得關(guān)注。

——周志華

南京大學(xué)計(jì)算機(jī)系主任兼人工智能學(xué)院院長(zhǎng)，歐洲科學(xué)院外籍院士

圖神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)、數(shù)據(jù)科學(xué)、數(shù)據(jù)挖掘領(lǐng)域新興的發(fā)展方向。本書作者是這個(gè)領(lǐng)域的科學(xué)家，他們探討了圖神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)、算法設(shè)計(jì)和實(shí)踐案例。這是一本好書，我強(qiáng)烈推薦！

——楊強(qiáng)

香港科技大學(xué)講座教授，AAAI、ACM等學(xué)會(huì)會(huì)員，加拿大皇家科學(xué)院、加拿大工程院院士

本書由領(lǐng)域?qū)W者團(tuán)隊(duì)編撰，對(duì)圖神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)理論進(jìn)行了詳細(xì)介紹，對(duì)不同主題進(jìn)行了廣泛覆蓋。通過(guò)本書，讀者可以一覽圖神經(jīng)網(wǎng)絡(luò)全貌、快速開展前沿研究或?qū)⒅涞赜趯?shí)際應(yīng)用。

——張成奇

悉尼科技大學(xué)副校長(zhǎng)，人工智能杰出教授

本書是當(dāng)前介紹圖神經(jīng)網(wǎng)絡(luò)方面非常深入的書籍之一，由該領(lǐng)域的學(xué)者編撰，是優(yōu)秀的參考和學(xué)習(xí)資料。

——俞士綸

伊利諾伊大學(xué)芝加哥分校講席教授，ACM會(huì)員，IEEE會(huì)員

本書詳細(xì)地介紹了圖神經(jīng)網(wǎng)絡(luò)，為在大型圖數(shù)據(jù)上更深一步研究及探尋快而準(zhǔn)的方法提供了不可缺少的基礎(chǔ)和方向。

——于旭（Jeffrey Xu Yu）

香港中文大學(xué)教授

深度學(xué)習(xí)時(shí)代，圖計(jì)算與神經(jīng)網(wǎng)絡(luò)天然地結(jié)合到一起。圖神經(jīng)網(wǎng)絡(luò)為人工智能的發(fā)展注入了新動(dòng)力，同時(shí)也成為熱門的領(lǐng)域之一，在工業(yè)界得到廣泛應(yīng)用。本書對(duì)圖神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)、前沿技術(shù)以及應(yīng)用做了講解，是圖神經(jīng)網(wǎng)絡(luò)的研究者以及實(shí)踐者優(yōu)秀的參考資料。

——葉杰平

密歇根大學(xué)終身教授，IEEE會(huì)員

近年來(lái)，圖深度學(xué)習(xí)已經(jīng)被廣泛應(yīng)用到很多人工智能的研究領(lǐng)域，并取得了成功。本書總結(jié)了圖神經(jīng)網(wǎng)絡(luò)的算法和理論基礎(chǔ)，廣泛介紹了各種圖神經(jīng)網(wǎng)絡(luò)的前沿研究方向，并精選了10個(gè)圖神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用的行業(yè)。這是一本優(yōu)秀的深度學(xué)習(xí)教科書！

——熊輝

香港科技大學(xué)（廣州）講座教授，AAAS會(huì)員，IEEE會(huì)員

圖神經(jīng)網(wǎng)絡(luò)是一個(gè)具有巨大潛力的研究方向，近年來(lái)受到廣泛關(guān)注。本書作者是該領(lǐng)域的學(xué)者，具有學(xué)術(shù)界和工業(yè)界的豐富實(shí)踐經(jīng)驗(yàn)。他們通過(guò)這本書從概念、算法到應(yīng)用豐富介紹了圖神經(jīng)網(wǎng)絡(luò)的相關(guān)技術(shù)。強(qiáng)烈推薦對(duì)這個(gè)領(lǐng)域感興趣的學(xué)生、工程師與研究人員閱讀！

——謝幸

微軟亞洲研究院首席研究員，CCF會(huì)士，IEEE會(huì)員

圖神經(jīng)網(wǎng)絡(luò)是一類基于深度學(xué)習(xí)的處理圖結(jié)構(gòu)數(shù)據(jù)的方法，在推薦系統(tǒng)、計(jì)算機(jī)視覺、生物制藥等眾多科學(xué)領(lǐng)域展現(xiàn)出了卓越的性能。本書由該領(lǐng)域的專業(yè)學(xué)者傾力打造，從圖神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)出發(fā)，著重介紹了圖神經(jīng)網(wǎng)絡(luò)的研究前沿和新興應(yīng)用。圖神經(jīng)網(wǎng)絡(luò)方興未艾，本書內(nèi)容厚重，是從事該領(lǐng)域研究的科研人員和學(xué)生優(yōu)秀的參考書。

——文繼榮

中國(guó)人民大學(xué)教授，信息學(xué)院院長(zhǎng)，高瓴人工智能學(xué)院執(zhí)行院長(zhǎng)

圖機(jī)器學(xué)習(xí)是當(dāng)前機(jī)器學(xué)習(xí)領(lǐng)域熱門的研究方向之一。本書針對(duì)圖神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)、發(fā)展、前沿以及應(yīng)用進(jìn)行細(xì)致介紹，是圖神經(jīng)網(wǎng)絡(luò)領(lǐng)域值得深入學(xué)習(xí)的佳作。

、——陶大程

京東探索研究院院長(zhǎng)，京東集團(tuán)高級(jí)副總裁，澳大利亞科學(xué)院院士

圖神經(jīng)網(wǎng)絡(luò)把深度學(xué)習(xí)和圖結(jié)構(gòu)融合起來(lái)，是機(jī)器學(xué)習(xí)領(lǐng)域過(guò)去幾年重要的理論發(fā)展之一，在金融科技、搜索推薦、生物醫(yī)藥等領(lǐng)域有著廣泛和重要的應(yīng)用。本書由該領(lǐng)域的專業(yè)學(xué)者編撰，是研究人員、學(xué)生和業(yè)界實(shí)踐者學(xué)習(xí)圖神經(jīng)網(wǎng)絡(luò)的一本參考圖書。

——漆遠(yuǎn)

復(fù)旦大學(xué)浩清教授、博導(dǎo)，AI3研究院院長(zhǎng)，前阿里巴巴副總裁及螞蟻集團(tuán)首席AI科學(xué)家

圖神經(jīng)網(wǎng)絡(luò)是一個(gè)快速發(fā)展的領(lǐng)域。本書涉及圖神經(jīng)網(wǎng)絡(luò)的概念、基礎(chǔ)和應(yīng)用，非常適合對(duì)此領(lǐng)域感興趣的讀者閱讀。

——?jiǎng)g

亞利桑那州立大學(xué)教授，ACM會(huì)員，IEEE會(huì)員

圖神經(jīng)網(wǎng)絡(luò)作為一種新興技術(shù)，近年來(lái)受到學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。本書由4位工作在此領(lǐng)域前沿的杰出學(xué)者編撰，內(nèi)容涵蓋了圖神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)概念、技術(shù)、應(yīng)用領(lǐng)域以及與產(chǎn)業(yè)結(jié)合的進(jìn)展。受益于作者在該領(lǐng)域的深厚積累，本書為圖神經(jīng)網(wǎng)絡(luò)研究人員提供了全局視角，既適合對(duì)此領(lǐng)域感興趣的初學(xué)者，其模塊化的結(jié)構(gòu)也適合對(duì)該領(lǐng)域有一定積累的學(xué)者針對(duì)某一內(nèi)容進(jìn)行深入研究。

——林學(xué)民

上海交通大學(xué)講席教授，歐洲科學(xué)院院士，IEEE會(huì)員，AAIA會(huì)員

圖神經(jīng)網(wǎng)絡(luò)已經(jīng)成為圖數(shù)據(jù)分析處理的基本工具。本書深入介紹了圖神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)和研究前沿，可作為有關(guān)科研人員、開發(fā)者和師生的重要參考書。

——李飛飛

阿里巴巴集團(tuán)副總裁，IEEE會(huì)員

圖神經(jīng)網(wǎng)絡(luò)是當(dāng)前AI領(lǐng)域的重要前沿方向之一，在學(xué)術(shù)界和工業(yè)界得到廣泛的關(guān)注和應(yīng)用。本書由相關(guān)領(lǐng)域的專業(yè)學(xué)者編撰而成，系統(tǒng)性地總結(jié)了圖神經(jīng)網(wǎng)絡(luò)領(lǐng)域的關(guān)鍵技術(shù)，內(nèi)容涵蓋了圖神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)方法和前沿應(yīng)用。2021年英文書出版時(shí)我就關(guān)注到這本書，現(xiàn)在很高興看到中文版即將出版。對(duì)于國(guó)內(nèi)研究和應(yīng)用圖神經(jīng)網(wǎng)絡(luò)的專業(yè)人士和初學(xué)者來(lái)說(shuō)，本書是一本很棒的參考書。

——崔斌

北京大學(xué)教授

圖神經(jīng)網(wǎng)絡(luò)是對(duì)深度學(xué)習(xí)的重要拓展和延伸。本書由專業(yè)學(xué)者編著，系統(tǒng)地介紹了該領(lǐng)域的基礎(chǔ)問題、前沿算法和應(yīng)用場(chǎng)景。編者對(duì)章節(jié)之間的邏輯關(guān)系給出了清晰的梳理和導(dǎo)讀，對(duì)初入該領(lǐng)域和具有一定基礎(chǔ)的讀者均具有重要的學(xué)習(xí)和參考價(jià)值。

——陳恩紅

中國(guó)科學(xué)技術(shù)大學(xué)大數(shù)據(jù)學(xué)院執(zhí)行院長(zhǎng)

圖神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)非常熱門的領(lǐng)域之一。本書是非常好的學(xué)習(xí)資源，內(nèi)容涵蓋圖表征學(xué)習(xí)的廣泛主題和應(yīng)用。

——Jure Leskovec

斯坦福大學(xué)副教授

圖神經(jīng)網(wǎng)絡(luò)是一種新興的機(jī)器學(xué)習(xí)模型，已在科學(xué)和工業(yè)界掀起風(fēng)暴。現(xiàn)在正是加入這一行動(dòng)的時(shí)機(jī)——這本書無(wú)論對(duì)新人還是經(jīng)驗(yàn)豐富的從業(yè)者而言是很好的資源！書中的內(nèi)容由這一領(lǐng)域的學(xué)者團(tuán)隊(duì)精心撰寫而成。

——Petar Velikovi

DeepMind高級(jí)研究科學(xué)家

目錄

第 一部分 引言

第 1章 表征學(xué)習(xí) 2

1.1 導(dǎo)讀 2

1.2 不同領(lǐng)域的表征學(xué)習(xí) 3

1.2.1 用于圖像處理的表征學(xué)習(xí) 3

1.2.2 用于語(yǔ)音識(shí)別的表征學(xué)習(xí) 5

1.2.3 用于自然語(yǔ)言處理的表征學(xué)習(xí) 7

1.2.4 用于網(wǎng)絡(luò)分析的表征學(xué)習(xí) 8

1.3 小結(jié) 9

第 2章 圖表征學(xué)習(xí) 11

2.1 導(dǎo)讀 11

2.2 傳統(tǒng)圖嵌入方法 12

2.3 現(xiàn)代圖嵌入方法 13

2.3.1 保留圖結(jié)構(gòu)和屬性的圖表征學(xué)習(xí) 13

2.3.2 帶有側(cè)面信息的圖表征學(xué)習(xí) 15

2.3.3 保留高級(jí)信息的圖表征學(xué)習(xí) 15

2.4 圖神經(jīng)網(wǎng)絡(luò) 16

2.5 小結(jié) 17

第3章 圖神經(jīng)網(wǎng)絡(luò) 18

3.1 導(dǎo)讀 18

3.2 圖神經(jīng)網(wǎng)絡(luò)概述 19

3.2.1 圖神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 19

3.2.2 圖神經(jīng)網(wǎng)絡(luò)前沿 20

3.2.3 圖神經(jīng)網(wǎng)絡(luò)應(yīng)用 22

3.2.4 本書組織結(jié)構(gòu) 23

3.3 小結(jié) 24

第二部分 基礎(chǔ)

第4章 用于節(jié)點(diǎn)分類的圖神經(jīng)網(wǎng)絡(luò) 28

4.1 背景和問題定義 28

4.2 有監(jiān)督的圖神經(jīng)網(wǎng)絡(luò) 29

4.2.1 圖神經(jīng)網(wǎng)絡(luò)的一般框架 29

4.2.2 圖卷積網(wǎng)絡(luò) 30

4.2.3 圖注意力網(wǎng)絡(luò) 32

4.2.4 消息傳遞神經(jīng)網(wǎng)絡(luò) 33

4.2.5 連續(xù)圖神經(jīng)網(wǎng)絡(luò) 33

4.2.6 多尺度譜圖卷積網(wǎng)絡(luò) 35

4.3 無(wú)監(jiān)督的圖神經(jīng)網(wǎng)絡(luò) 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(guò)平滑問題 41

4.5 小結(jié) 42

第5章 圖神經(jīng)網(wǎng)絡(luò)的表達(dá)能力 44

5.1 導(dǎo)讀 44

5.2 圖表征學(xué)習(xí)和問題的提出 47

5.3 強(qiáng)大的消息傳遞圖神經(jīng)網(wǎng)絡(luò) 49

5.3.1 用于集合的神經(jīng)網(wǎng)絡(luò) 49

5.3.2 消息傳遞圖神經(jīng)網(wǎng)絡(luò) 50

5.3.3 MP-GNN的表達(dá)能力 51

5.3.4 具有1-WL測(cè)試能力的MP-GNN 53

5.4 比1-WL測(cè)試更強(qiáng)大的圖神經(jīng)網(wǎng)絡(luò)架構(gòu) 54

5.4.1 MP-GNN的局限性 54

5.4.2 注入隨機(jī)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(jīng)網(wǎng)絡(luò) 65

5.5 小結(jié) 69

第6章 圖神經(jīng)網(wǎng)絡(luò)的可擴(kuò)展性 71

6.1 導(dǎo)讀 71

6.2 引言 72

6.3 抽樣范式 72

6.3.1 節(jié)點(diǎn)級(jí)抽樣 74

6.3.2 層級(jí)抽樣 76

6.3.3 圖級(jí)抽樣 79

6.4 大規(guī)模圖神經(jīng)網(wǎng)絡(luò)在推薦系統(tǒng)中的應(yīng)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(lái)的方向 84

第7章 圖神經(jīng)網(wǎng)絡(luò)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(jià)值 87

7.1.3 傳統(tǒng)的解釋方法 88

7.1.4 機(jī)遇與挑戰(zhàn) 90

7.2 圖神經(jīng)網(wǎng)絡(luò)的解釋方法 90

7.2.1 背景 91

7.2.2 基于近似的解釋 92

7.2.3 基于相關(guān)性傳播的解釋 95

7.2.4 基于擾動(dòng)的解釋 96

7.2.5 生成式解釋 97

7.3 圖神經(jīng)網(wǎng)絡(luò)的可解釋模型 97

7.3.1 基于GNN的注意力模型 98

7.3.2 圖上的解耦化表征學(xué)習(xí) 100

7.4 圖神經(jīng)網(wǎng)絡(luò)解釋的評(píng)估 101

7.4.1 基準(zhǔn)數(shù)據(jù)集 101

7.4.2 評(píng)價(jià)指標(biāo) 103

7.5 未來(lái)的方向 103

第8章 圖神經(jīng)網(wǎng)絡(luò)的對(duì)抗魯棒性 105

8.1 動(dòng)機(jī) 105

8.2 圖神經(jīng)網(wǎng)絡(luò)的局限性：對(duì)抗性樣本 107

8.2.1 對(duì)抗性攻擊的分類 107

8.2.2 擾動(dòng)的影響和一些啟示 110

8.2.3 討論和未來(lái)的方向 112

8.3 可證明的魯棒性：圖神經(jīng)網(wǎng)絡(luò)的認(rèn)證 113

8.3.1 特定模型的認(rèn)證 113

8.3.2 模型無(wú)關(guān)的認(rèn)證 115

8.3.3 高級(jí)認(rèn)證和討論 116

8.4 提高圖神經(jīng)網(wǎng)絡(luò)的魯棒性 117

8.4.1 改進(jìn)圖 117

8.4.2 改進(jìn)訓(xùn)練過(guò)程 118

8.4.3 改進(jìn)圖神經(jīng)網(wǎng)絡(luò)的架構(gòu) 120

8.4.4 討論和未來(lái)的方向 121

8.5 從魯棒性的角度進(jìn)行適當(dāng)評(píng)估 122

8.6 小結(jié) 124

第三部分 前沿

第9章 圖分類 128

9.1 導(dǎo)讀 128

9.2 用于圖分類的圖神經(jīng)網(wǎng)絡(luò)：典型工作和現(xiàn)代架構(gòu) 129

9.2.1 空間方法 129

9.2.2 頻譜方法 132

9.3 池化層：從節(jié)點(diǎn)級(jí)輸出學(xué)習(xí)圖級(jí)輸出 133

9.3.1 基于注意力的池化層 134

9.3.2 基于聚類的池化層 134

9.3.3 其他池化層 134

9.4 圖神經(jīng)網(wǎng)絡(luò)和高階層在圖分類中的局限性 135

9.5 圖神經(jīng)網(wǎng)絡(luò)在圖分類中的應(yīng)用 137

9.6 基準(zhǔn)數(shù)據(jù)集 137

9.7 小結(jié) 138

第 10章 鏈接預(yù)測(cè) 139

10.1 導(dǎo)讀 139

10.2 傳統(tǒng)的鏈接預(yù)測(cè)方法 140

10.2.1 啟發(fā)式方法 140

10.2.2 潛在特征方法 143

10.2.3 基于內(nèi)容的方法 145

10.3 基于GNN的鏈接預(yù)測(cè)方法 145

10.3.1 基于節(jié)點(diǎn)的方法 145

10.3.2 基于子圖的方法 147

10.3.3 比較基于節(jié)點(diǎn)的方法和基于子圖的方法 150

10.4 鏈接預(yù)測(cè)的理論 151

10.4.1 γ–衰減啟發(fā)式理論 151

10.4.2 貼標(biāo)簽技巧 155

10.5 未來(lái)的方向 158

10.5.1 加速基于子圖的方法 158

10.5.2 設(shè)計(jì)更強(qiáng)大的貼標(biāo)簽技巧 159

10.5.3 了解何時(shí)使用獨(dú)熱特征 159

第 11章 圖生成 160

11.1 導(dǎo)讀 160

11.2 經(jīng)典的圖生成模型 160

11.3 深度圖生成模型 163

11.4 小結(jié) 178

第 12章 圖轉(zhuǎn)換 179

12.1 圖轉(zhuǎn)換問題的形式化 179

12.2 節(jié)點(diǎn)級(jí)轉(zhuǎn)換 180

12.3 邊級(jí)轉(zhuǎn)換 182

12.4 節(jié)點(diǎn)-邊共轉(zhuǎn)換 186

12.5 其他基于圖的轉(zhuǎn)換 193

12.6 小結(jié) 196

第 13章 圖匹配 197

13.1 導(dǎo)讀 197

13.2 圖匹配學(xué)習(xí) 198

13.3 圖相似性學(xué)習(xí) 205

13.4 小結(jié) 210

第 14章 圖結(jié)構(gòu)學(xué)習(xí) 211

14.1 導(dǎo)讀 211

14.2 傳統(tǒng)的圖結(jié)構(gòu)學(xué)習(xí) 212

14.3 圖神經(jīng)網(wǎng)絡(luò)的圖結(jié)構(gòu)學(xué)習(xí) 215

14.4 未來(lái)的方向 226

14.5 小結(jié) 227

第 15章 動(dòng)態(tài)圖神經(jīng)網(wǎng)絡(luò) 228

15.1 導(dǎo)讀 228

15.2 背景和表示法 229

15.3 動(dòng)態(tài)圖的類型 233

15.4 用圖神經(jīng)網(wǎng)絡(luò)對(duì)動(dòng)態(tài)圖進(jìn)行建模 236

15.5 應(yīng)用 242

15.6 小結(jié) 247

第 16章 異質(zhì)圖神經(jīng)網(wǎng)絡(luò) 248

16.1 HGNN簡(jiǎn)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(lái)的方向 259

第 17章 自動(dòng)機(jī)器學(xué)習(xí) 262

17.1 背景 262

17.2 搜索空間 265

17.3 搜索算法 269

17.4 未來(lái)的方向 273

第 18章 自監(jiān)督學(xué)習(xí) 275

18.1 導(dǎo)讀 275

18.2 自監(jiān)督學(xué)習(xí)概述 276

18.3 將SSL應(yīng)用于圖神經(jīng)網(wǎng)絡(luò)：對(duì)訓(xùn)練策略、損失函數(shù)和代理任務(wù)進(jìn)行分類 277

18.4 節(jié)點(diǎn)級(jí)代理任務(wù) 283

18.5 圖級(jí)代理任務(wù) 287

18.6 節(jié)點(diǎn)-圖級(jí)代理任務(wù) 293

18.7 討論 294

18.8 小結(jié) 295

第四部分 廣泛和新興的應(yīng)用

第 19章 現(xiàn)代推薦系統(tǒng)中的圖神經(jīng)網(wǎng)絡(luò) 298

19.1 圖神經(jīng)網(wǎng)絡(luò)在推薦系統(tǒng)中的實(shí)踐 298

19.2 案例研究1：動(dòng)態(tài)的GNN學(xué)習(xí) 304

19.3 案例研究2：設(shè)備-云協(xié)作的GNN學(xué)習(xí) 309

19.4 未來(lái)的方向 313

第 20章 計(jì)算機(jī)視覺中的圖神經(jīng)網(wǎng)絡(luò) 315

20.1 導(dǎo)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(guān)工作：跨媒體 322

20.6 圖神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺中的前沿問題 324

20.7 小結(jié) 326

第 21章 自然語(yǔ)言處理中的圖神經(jīng)網(wǎng)絡(luò) 327

21.1 導(dǎo)讀 327

21.2 將文本建模為圖 329

21.3 案例研究1：基于圖的文本聚類和匹配 332

21.4 案例研究2：基于圖的多跳閱讀理解 335

21.5 未來(lái)的方向 338

21.6 小結(jié) 339

第 22章 程序分析中的圖神經(jīng)網(wǎng)絡(luò) 341

22.1 導(dǎo)讀 341

22.2 程序分析中的機(jī)器學(xué)習(xí) 342

22.3 程序的圖表征 343

22.4 用于程序圖的圖神經(jīng)網(wǎng)絡(luò) 345

22.5 案例研究1：檢測(cè)變量誤用缺陷 346

22.6 案例研究2：預(yù)測(cè)動(dòng)態(tài)類型化語(yǔ)言中的類型 348

22.7 未來(lái)的方向 350

第 23章 軟件挖掘中的圖神經(jīng)網(wǎng)絡(luò) 352

23.1 導(dǎo)讀 352

23.2 將軟件建模為圖 353

23.3 相關(guān)的軟件挖掘任務(wù) 355

23.4 軟件挖掘任務(wù)實(shí)例：源代碼總結(jié) 357

23.5 小結(jié) 364

第 24章 藥物開發(fā)中基于圖神經(jīng)網(wǎng)絡(luò)的生物醫(yī)學(xué)知識(shí)圖譜挖掘 366

24.1 導(dǎo)讀 366

24.2 現(xiàn)有的生物醫(yī)學(xué)知識(shí)圖譜 367

24.3 知識(shí)圖譜的推理 369

24.4 藥物開發(fā)中基于KG的假設(shè)生成 374

24.5 未來(lái)的方向 376

第 25章 預(yù)測(cè)蛋白質(zhì)功能和相互作用的圖神經(jīng)網(wǎng)絡(luò) 383

25.1 從蛋白質(zhì)的相互作用到功能簡(jiǎn)介 383

25.2 三個(gè)典型的案例研究 387

25.3 未來(lái)的方向 393

第 26章 異常檢測(cè)中的圖神經(jīng)網(wǎng)絡(luò) 395

26.1 導(dǎo)讀 395

26.2 基于GNN的異常檢測(cè)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(lái)的方向 409

第 27章 智慧城市中的圖神經(jīng)網(wǎng)絡(luò) 410

27.1 用于智慧城市的圖神經(jīng)網(wǎng)絡(luò) 410

27.2 未來(lái)的方向 419

參考文獻(xiàn) 420

查看全部↓