展开全部

主编推荐语

深度加深模型退化,监督信息过度依赖。

内容简介

本书深入剖析了图神经网络领域所面临的两大核心挑战:深度加深模型退化和监督信息过度依赖。针对这两大挑战,本书提出了一系列切实可行的解决方案,涵盖了模型结构优化、训练策略改进等多个方面。

主要内容包括图神经网络的研究背景及其意义、基于混合阶的图神经网络模型、基于拓扑结构自适应的图神经网络模型、图结构与节点属性联合学习的变分图自编码器模型、基于注意力机制的图对比学习模型。

目录

  • 版权信息
  • 内容简介
  • 前言
  • 第1章 绪论
  • 1.1 图神经网络研究的背景及意义
  • 1.2 网络表示学习与图神经网络国内外研究现状
  • 1.2.1 基于矩阵特征向量的方法
  • 1.2.2 基于随机游走的方法
  • 1.2.3 基于矩阵分解的方法
  • 1.2.4 基于图神经网络的方法
  • 1.3 图神经网络面临的主要问题
  • 1.4 研究内容和组织结构
  • 1.5 本章小结
  • 第2章 图神经网络
  • 2.1 神经网络基础
  • 2.1.1 神经元模型与感知机
  • 2.1.2 前馈神经网络
  • 2.1.3 卷积神经网络
  • 2.1.4 循环神经网络
  • 2.1.5 自编码器
  • 2.2 图数据
  • 2.2.1 生活生产中的图数据
  • 2.2.2 图数据的分类
  • 2.2.3 图任务
  • 2.3 图神经网络方法
  • 2.3.1 图卷积神经网络
  • 2.3.2 图注意力网络
  • 2.3.3 图自编码器
  • 2.4 图神经网络的应用
  • 2.4.1 在计算机视觉领域的应用
  • 2.4.2 在自然语言处理领域的应用
  • 2.4.3 在生物化学领域的应用
  • 2.4.4 在物理学领域的应用
  • 2.5 本章小结
  • 第3章 基于混合阶的图神经网络模型
  • 3.1 引言
  • 3.2 基于混合阶的图神经网络模型介绍
  • 3.2.1 符号及其含义
  • 3.2.2 总体框架
  • 3.2.3 基于图卷积神经网络学习器模块
  • 3.2.4 集成模块
  • 3.3 实验分析
  • 3.3.1 实验设置
  • 3.3.2 实验结果
  • 3.4 本章小结
  • 第4章 基于拓扑结构自适应的图神经网络模型
  • 4.1 引言
  • 4.2 基于拓扑结构自适应的图神经网络模型介绍
  • 4.2.1 符号及其含义
  • 4.2.2 总体框架
  • 4.2.3 边强度计算模块
  • 4.2.4 有指导去边模块
  • 4.2.5 图神经网络学习器模块
  • 4.2.6 时间复杂度分析
  • 4.2.7 理论分析
  • 4.3 实验分析
  • 4.3.1 实验设置
  • 4.3.2 实验结果
  • 4.4 本章小结
  • 第5章 图结构与节点属性联合学习的变分图自编码器模型
  • 5.1 引言
  • 5.2 预备知识
  • 5.2.1 符号及其含义
  • 5.2.2 图卷积神经网络
  • 5.2.3 图信号处理
  • 5.3 图结构与节点属性联合学习的变分图自编码器模型介绍
  • 5.3.1 总体框架
  • 5.3.2 编码器
  • 5.3.3 解码器
  • 5.3.4 优化过程
  • 5.4 实验分析
  • 5.4.1 实验设置
  • 5.4.2 实验结果
  • 5.5 本章小结
  • 第6章 基于注意力机制的图对比学习模型
  • 6.1 引言
  • 6.2 预备知识
  • 6.2.1 符号及其含义
  • 6.2.2 图对比学习
  • 6.3 基于注意力机制的图对比学习模型介绍
  • 6.3.1 图增广模块
  • 6.3.2 节点嵌入模块
  • 6.3.3 半监督图对比学习模块
  • 6.3.4 优化处理模块
  • 6.3.5 复杂度分析
  • 6.3.6 收敛性分析
  • 6.4 实验分析
  • 6.4.1 实验设置
  • 6.4.2 实验结果
  • 6.5 本章小结
  • 第7章 总结与展望
  • 参考文献
  • 后记
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

电子工业出版社

电子工业出版社成立于1982年10月,是国务院独资、工信部直属的中央级科技与教育出版社,是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展,已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域,综合出版能力位居全国出版行业前列。