新書推薦:
《
后希腊化哲学:从斯多亚学派到奥利金的发展研究
》
售價:HK$
76.8
《
别纠结啦:不被情绪牵着走的通透生活指南(“当代一休”小池龙之介治愈新作!附赠精美书签!)
》
售價:HK$
64.9
《
第二人生:找到重新定义人生的智慧
》
售價:HK$
96.8
《
唐朝三百年
》
售價:HK$
107.8
《
反操纵心理学:夺回人生主导权 拒绝被操纵
》
售價:HK$
54.8
《
同工异曲:跨文化阅读的启示(修订版)
》
售價:HK$
43.8
《
牛津立法研究手册
》
售價:HK$
358.6
《
制度为什么重要:政治科学中的新制度主义(人文社科悦读坊)
》
售價:HK$
63.8
|
編輯推薦: |
清华大学朱文武教授团队全新力作!
张钹、徐宗本、陈纯院士倾情作序推荐!
详解图表征学习的基础知识、前沿进展
系统论述图表征学习的动态性、可解释性、鲁棒性和泛化性等热点问题
全面剖析图表征学习在推荐系统、交通预测、自然语言处理、组合优化领域的应用方法
|
內容簡介: |
图数据是对万物间联系的一般抽象,广泛存在于各行各业中。图表征学习为图数据的建模与分析提供了新范式,是近年来机器学习与数据挖掘领域的热门研究方向,并被有效地应用于推荐系统、交通预测等众多领域。本书将全面介绍图表征学习,特别是针对处于真实世界动态、开放环境之中图数据的图表征学习方法。本书分为3 篇:第1 篇介绍图嵌入和图神经网络等经典图表征学习方法;第2 篇围绕鲁棒性、动态性、可解释性、分布外泛化性等多个角度,系统地介绍针对动态开放环境中的图表征学习方法;第3 篇以四个不同领域为例,从推荐系统、交通预测、自然语言处理、组合优化等场景,介绍图表征学习的应用方法。除了对代表性方法进行详细介绍,本书还提供了丰富的参考文献,读者可以更深入地学习图表征学习的前沿内容。
《图表征学习:迈向动态开放环境》适合具有一定机器学习基础的高年级本科生、研究生、教师和研究者,以及对图数据感兴趣的计算机工程师和从业人员阅读,也适合对人工智能、深度学习和图数据分析感兴趣的其他人士参考。
|
關於作者: |
朱文武
清华大学计算机科学与技术系教授,清华大学人工智能研究院大数据智能中心主任,信息科学与技术国家研究中心副主任,国家973项目首席科学家。欧洲科学院院士、ACM Fellow、IEEE Fellow、AAAS Fellow、SPIE Fellow。曾任微软亚洲研究院主任研究员、英特尔中国研究院首席科学家与总监及美国贝尔实验室研究员等职。主要从事多媒体智能计算、大数据分析等研究工作。曾担任IEEE Transactions on Multimedia主编、指导委员会主席。10次获国际最佳论文奖。获2018年度国家自然科学二等奖(排名第1)和2012年度国家自然科学二等奖(排名第2)。
王 鑫
清华大学计算机科学与技术系助理研究员,中国计算机学会多媒体专业技术委员会副秘书长,清华大学博士后校友会秘书处副秘书长。主要研究方向为多媒体智能、媒体大数据、机器学习等,在IEEE TPAMI、ICML、NeurIPS、ACM Multimedia等相关领域国际顶级期刊或会议上发表论文100余篇。承担国家优秀青年科学基金等项目,获2017年度中国博士后创新人才支持计划、2020年度ACM中国新星奖、2022年度IEEE TCMC新星奖。
张子威
清华大学计算机科学与技术系博士后,清华大学数理基科班学士、计算机系博士。主要研究方向为图机器学习,在国际顶级期刊和会议上发表论文30余篇,谷歌学术引用超过3000次。曾获清华大学优秀博士毕业生与优秀博士毕业论文、吴文俊人工智能优秀博士学位论文提名,入选百度AI华人新星百强榜单、AI 2000学者榜单、2022年博士后创新人才支持计划。
|
目錄:
|
第1 章概述/1
1.1 引言/1
1.2 图基础知识/3
1.3 机器学习基础知识/7
第1 篇经典图表征学习
第2 章图嵌入/13
2.1 基于随机游走的图嵌入/13
2.2 基于矩阵分解的图嵌入/18
2.3 基于深度自编码器的图嵌入/21
2.4 本章小结/24
第3 章图神经网络/25
3.1 谱域图神经网络/26
3.2 空域图神经网络/34
3.3 消息传递图神经网络/41
3.4 图池化/47
3.5 本章小结/53
第4 章图表征学习理论分析/54
4.1 图信号处理/54
4.2 图同构测试/58
4.3 图神经网络表达能力/61
4.4 过平滑与深层图神经网络/64
4.5 本章小结/68
第2 篇动态开放环境图表征学习
第5 章鲁棒图表征学习/71
5.1 图数据上的对抗样本/71
5.2 图对抗攻击的分类/73
5.3 图神经网络模型上的攻击与防御方法/75
5.4 本章小结/78
第6 章解耦图表征学习· 79
6.1 基于变分自编码器的解耦图神经网络/79
6.2 基于邻域路由机制的解耦图神经网络/81
6.3 基于其他思想的解耦图神经网络/87
6.4 本章小结/90
第7 章动态图表征学习/91
7.1 动态图数据/91
7.2 离散时间动态图表征学习/92
7.3 连续时间动态图表征学习/94
7.4 本章小结/96
第8 章无监督图神经网络与自监督图神经网络/97
8.1 无监督学习的图神经网络/97
8.2 自监督学习的图神经网络/99
8.3 本章小结/106
第9 章图神经网络的可解释性/107
9.1 简介/107
9.2 可解释方法分类/109
9.3 实例级局部解释/110
9.4 模型级全局解释/114
9.5 对解释模型的评价/115
9.6 可解释性的交叉学科应用/117
9.7 本章小结/118
第10 章自动图表征学习/119
10.1 自动机器学习简介/119
10.2 图超参数优化/120
10.3 图神经网络架构搜索/122
10.4 本章小结/132
第11 章元学习与图表征学习/133
11.1 元学习简介/133
11.2 图上的元学习/136
11.3 本章小结/143
第12 章分布外泛化图表征学习/144
12.1 图分布外泛化问题和分类/145
12.2 数据层面方法/148
12.3 模型层面方法/151
12.4 学习策略/155
12.5 理论分析/162
12.6 本章小结/163
第3 篇图表征学习的应用
第13 章推荐系统/167
13.1 通用推荐/168
13.2 序列推荐/176
13.3 本章小结/179
第14 章交通预测/180
14.1 时空图/181
14.2 时空图神经网络模型/181
14.3 本章小结/188
第15 章自然语言处理/189
15.1 文本分类/189
15.2 关系抽取/192
15.3 文本生成/193
15.4 问答系统/196
15.5 其他任务/198
15.6 本章小结/198
第16 章组合优化/199
16.1 简介/199
16.2 预备知识/200
16.3 寻找可行解/201
16.4 本章小结/207
第17 章图表征学习展望/209
参考文献/211
|
內容試閱:
|
图数据是对事物间联系的一般抽象,广泛存在于我们的日常生活中,例如社交网络、交通网络、推荐系统和互联网等。作为图数据分析与挖掘的一种新范式,图表征学习是近年来机器学习与数据挖掘领域的热门研究方向。例如,在工业界,国内外多家互联网巨头,包括亚马逊、谷歌、阿里、百度、腾讯等,均开发研制了图表征学习的相关系统;国家自然科学基金委员会也将图表征学习相关内容列入“下一代人工智能重大研究计划”。可以说,图表征学习无论在研究还是应用方面,都有着极大的潜在价值和光明的发展前景。
为什么写作本书
考虑到图表征学习的快速发展和广泛应用,本书希望尽量全面地介绍图表征学习。本书作者所在的研究团队——清华大学多媒体与网络实验室,从2014 年左右开始关注图表征学习,并见证了这个领域从新兴,甚至可以说一开始相对小众,发展到目前受到各行各业的广泛关注,并成为一个机器学习和深度学习重要分支的全过程。本书作者基于在该方向的研究积累,并查阅了大量相关资料,费时约两年,写成了这本书。
在撰写本书的两年中,一方面,我们注意到有一些同期出版的图表征学习著作,它们对许多经典的图表征学习方法进行了介绍;另一方面,我们同时注意到,近期图表征学习的一个重要发展趋势是更加关注真实世界中图数据所处的动态开放环境。动态开放环境给图表征学习带来了很大挑战,也是图表征学习在解决真实世界问题时不可避免会遇到的瓶颈。因此,图表征学习针对动态开放环境发展出了许多新兴的、前沿的方法。考虑到这些因素,我们调整了本书原定的结构,并将更多篇幅用于介绍针对动态开放环境所设计的图表征学习方法,希望吸引更多读者了解、关注并继续深入研究这个方向。
本书主要内容
本书共包括17 章,除概述(第1 章)和展望(第17 章)外,主体的15 章分为3 篇,内容如下:
第1 篇介绍经典图表征学习,包括图嵌入(第2 章)、图神经网络(第3 章)和图表征学习理论分析(第4 章)。该篇内容将为动态开放环境中的图表征学习和应用奠定基础。
第2 篇介绍针对动态开放环境的不同特点设计的图表征学习方法,包括鲁棒性(第5 章)、解耦表征(第6 章)、动态性(第7 章)、无监督学习(第8 章)、可解释性(第9 章)、自动机器学习(第10 章)、元学习(第11 章)和分布外泛化(第12 章),从不同方面全面地介绍动态开放环境中的图表征学习。
第3 篇以4 个代表性领域为例,介绍图表征学习的应用,包括推荐系统(第13 章)、交通预测(第14 章)、自然语言处理(第15 章)和组合优化(第16 章)。
致谢
感谢清华大学的张钹院士、西安交通大学的徐宗本院士、浙江大学的陈纯院士在百忙之中为本书作序。
感谢本书作者所在的清华大学多媒体与网络实验室研究生为本书写作提供的帮助(按姓名排序):常恒、蔡婕、邓起谱、关超宇、李昊阳、李家栋、李霈雯、潘旺、秦一鉴、谢贝妮、张一彭、张泽阳。
感谢电子工业出版社博文视点及宋亚东编辑对本书出版所做的努力。
由于作者水平有限,书中不足之处在所难免,敬请专家和读者给予批评指正。
朱文武,王鑫,张子威
2023 年6 月
|
|