書馨卡幫你省薪 2024個(gè)人購(gòu)書報(bào)告 2024中圖網(wǎng)年度報(bào)告
歡迎光臨中圖網(wǎng) 請(qǐng) | 注冊(cè)
> >
圖表征學(xué)習(xí):邁向動(dòng)態(tài)開放環(huán)境

圖表征學(xué)習(xí):邁向動(dòng)態(tài)開放環(huán)境

作者：朱文武
出版社：電子工業(yè)出版社出版時(shí)間：2023-07-01
開本： 其他 頁(yè)數(shù)： 260
中 圖 價(jià):¥59.4(5.5折) 定價(jià)  ¥108.0 登錄后可看到會(huì)員價(jià)
加入購(gòu)物車 收藏
運(yùn)費(fèi)6元，滿39元免運(yùn)費(fèi)
?新疆、西藏除外
本類五星書更多>

圖表征學(xué)習(xí):邁向動(dòng)態(tài)開放環(huán)境 版權(quán)信息

圖表征學(xué)習(xí):邁向動(dòng)態(tài)開放環(huán)境 本書特色

清華大學(xué)朱文武教授團(tuán)隊(duì)全新力作！ 張鈸、徐宗本、陳純?cè)菏績(jī)A情作序推薦！ 詳解圖表征學(xué)習(xí)的基礎(chǔ)知識(shí)、前沿進(jìn)展 系統(tǒng)論述圖表征學(xué)習(xí)的動(dòng)態(tài)性、可解釋性、魯棒性和泛化性等熱點(diǎn)問(wèn)題 全面剖析圖表征學(xué)習(xí)在推薦系統(tǒng)、交通預(yù)測(cè)、自然語(yǔ)言處理、組合優(yōu)化領(lǐng)域的應(yīng)用方法

圖表征學(xué)習(xí):邁向動(dòng)態(tài)開放環(huán)境 內(nèi)容簡(jiǎn)介

圖數(shù)據(jù)是對(duì)萬(wàn)物間聯(lián)系的一般抽象，廣泛存在于各行各業(yè)中。圖表征學(xué)習(xí)為圖數(shù)據(jù)的建模與分析提供了新范式，是近年來(lái)機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘領(lǐng)域的熱門研究方向，并被有效地應(yīng)用于推薦系統(tǒng)、交通預(yù)測(cè)等眾多領(lǐng)域。本書將全面介紹圖表征學(xué)習(xí)，特別是針對(duì)處于真實(shí)世界動(dòng)態(tài)、開放環(huán)境之中圖數(shù)據(jù)的圖表征學(xué)習(xí)方法。本書分為3 篇：第1 篇介紹圖嵌入和圖神經(jīng)網(wǎng)絡(luò)等經(jīng)典圖表征學(xué)習(xí)方法；第2 篇圍繞魯棒性、動(dòng)態(tài)性、可解釋性、分布外泛化性等多個(gè)角度，系統(tǒng)地介紹針對(duì)動(dòng)態(tài)開放環(huán)境中的圖表征學(xué)習(xí)方法；第3 篇以四個(gè)不同領(lǐng)域?yàn)槔，從推薦系統(tǒng)、交通預(yù)測(cè)、自然語(yǔ)言處理、組合優(yōu)化等場(chǎng)景，介紹圖表征學(xué)習(xí)的應(yīng)用方法。除了對(duì)代表性方法進(jìn)行詳細(xì)介紹，本書還提供了豐富的參考文獻(xiàn)，讀者可以更深入地學(xué)習(xí)圖表征學(xué)習(xí)的前沿內(nèi)容。本書適合具有一定機(jī)器學(xué)習(xí)基礎(chǔ)的高年級(jí)本科生、研究生、教師和研究者，以及對(duì)圖數(shù)據(jù)感興趣的計(jì)算機(jī)工程師和從業(yè)人員閱讀，也適合對(duì)人工智能、深度學(xué)習(xí)和圖數(shù)據(jù)分析感興趣的其他人士參考。

圖表征學(xué)習(xí):邁向動(dòng)態(tài)開放環(huán)境 目錄

第1 章概述/1 1.1 引言/1 1.2 圖基礎(chǔ)知識(shí)/3 1.3 機(jī)器學(xué)習(xí)基礎(chǔ)知識(shí)/7 第1 篇經(jīng)典圖表征學(xué)習(xí) 第2 章圖嵌入/13 2.1 基于隨機(jī)游走的圖嵌入/13 2.2 基于矩陣分解的圖嵌入/18 2.3 基于深度自編碼器的圖嵌入/21 2.4 本章小結(jié)/24 第3 章圖神經(jīng)網(wǎng)絡(luò)/25 3.1 譜域圖神經(jīng)網(wǎng)絡(luò)/26 3.2 空域圖神經(jīng)網(wǎng)絡(luò)/34 3.3 消息傳遞圖神經(jīng)網(wǎng)絡(luò)/41 3.4 圖池化/47 3.5 本章小結(jié)/53 第4 章圖表征學(xué)習(xí)理論分析/54 4.1 圖信號(hào)處理/54 4.2 圖同構(gòu)測(cè)試/58 4.3 圖神經(jīng)網(wǎng)絡(luò)表達(dá)能力/61 4.4 過(guò)平滑與深層圖神經(jīng)網(wǎng)絡(luò)/64 4.5 本章小結(jié)/68 第2 篇?jiǎng)討B(tài)開放環(huán)境圖表征學(xué)習(xí) 第5 章魯棒圖表征學(xué)習(xí)/71 5.1 圖數(shù)據(jù)上的對(duì)抗樣本/71 5.2 圖對(duì)抗攻擊的分類/73 5.3 圖神經(jīng)網(wǎng)絡(luò)模型上的攻擊與防御方法/75 5.4 本章小結(jié)/78 第6 章解耦圖表征學(xué)習(xí)· 79 6.1 基于變分自編碼器的解耦圖神經(jīng)網(wǎng)絡(luò)/79 6.2 基于鄰域路由機(jī)制的解耦圖神經(jīng)網(wǎng)絡(luò)/81 6.3 基于其他思想的解耦圖神經(jīng)網(wǎng)絡(luò)/87 6.4 本章小結(jié)/90 第7 章動(dòng)態(tài)圖表征學(xué)習(xí)/91 7.1 動(dòng)態(tài)圖數(shù)據(jù)/91 7.2 離散時(shí)間動(dòng)態(tài)圖表征學(xué)習(xí)/92 7.3 連續(xù)時(shí)間動(dòng)態(tài)圖表征學(xué)習(xí)/94 7.4 本章小結(jié)/96 第8 章無(wú)監(jiān)督圖神經(jīng)網(wǎng)絡(luò)與自監(jiān)督圖神經(jīng)網(wǎng)絡(luò)/97 8.1 無(wú)監(jiān)督學(xué)習(xí)的圖神經(jīng)網(wǎng)絡(luò)/97 8.2 自監(jiān)督學(xué)習(xí)的圖神經(jīng)網(wǎng)絡(luò)/99 8.3 本章小結(jié)/106 第9 章圖神經(jīng)網(wǎng)絡(luò)的可解釋性/107 9.1 簡(jiǎn)介/107 9.2 可解釋方法分類/109 9.3 實(shí)例級(jí)局部解釋/110 9.4 模型級(jí)全局解釋/114 9.5 對(duì)解釋模型的評(píng)價(jià)/115 9.6 可解釋性的交叉學(xué)科應(yīng)用/117 9.7 本章小結(jié)/118 第10 章自動(dòng)圖表征學(xué)習(xí)/119 10.1 自動(dòng)機(jī)器學(xué)習(xí)簡(jiǎn)介/119 10.2 圖超參數(shù)優(yōu)化/120 10.3 圖神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索/122 10.4 本章小結(jié)/132 第11 章元學(xué)習(xí)與圖表征學(xué)習(xí)/133 11.1 元學(xué)習(xí)簡(jiǎn)介/133 11.2 圖上的元學(xué)習(xí)/136 11.3 本章小結(jié)/143 第12 章分布外泛化圖表征學(xué)習(xí)/144 12.1 圖分布外泛化問(wèn)題和分類/145 12.2 數(shù)據(jù)層面方法/148 12.3 模型層面方法/151 12.4 學(xué)習(xí)策略/155 12.5 理論分析/162 12.6 本章小結(jié)/163 第3 篇圖表征學(xué)習(xí)的應(yīng)用 第13 章推薦系統(tǒng)/167 13.1 通用推薦/168 13.2 序列推薦/176 13.3 本章小結(jié)/179 第14 章交通預(yù)測(cè)/180 14.1 時(shí)空?qǐng)D/181 14.2 時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò)模型/181 14.3 本章小結(jié)/188 第15 章自然語(yǔ)言處理/189 15.1 文本分類/189 15.2 關(guān)系抽取/192 15.3 文本生成/193 15.4 問(wèn)答系統(tǒng)/196 15.5 其他任務(wù)/198 15.6 本章小結(jié)/198 第16 章組合優(yōu)化/199 16.1 簡(jiǎn)介/199 16.2 預(yù)備知識(shí)/200 16.3 尋找可行解/201 16.4 本章小結(jié)/207 第17 章圖表征學(xué)習(xí)展望/209 參考文獻(xiàn)/211
展開全部

圖表征學(xué)習(xí):邁向動(dòng)態(tài)開放環(huán)境 相關(guān)資料

本書的內(nèi)容豐富、系統(tǒng)且具有前瞻性，特別注重介紹動(dòng)態(tài)開放環(huán)境下的圖表征學(xué)習(xí)。由于許多圖數(shù)據(jù)都處于動(dòng)態(tài)開放環(huán)境之中，如何處理這個(gè)問(wèn)題對(duì)于圖表征學(xué)習(xí)的長(zhǎng)遠(yuǎn)發(fā)展有重要意義。本書正好提供了在這方面取得的主要成果。 本書適合具有一定機(jī)器學(xué)習(xí)基礎(chǔ)的高年級(jí)本科生、研究生、教師和研究者，以及對(duì)圖數(shù)據(jù)感興趣的計(jì)算機(jī)工程師和從業(yè)人員閱讀，也適合對(duì)人工智能、深度學(xué)習(xí)和圖數(shù)據(jù)分析感興趣的其他人士參考。 張 鈸 清華大學(xué) 本書的主要特點(diǎn)在于深入淺出地介紹了圖表征學(xué)習(xí)的理論、方法和應(yīng)用，既適合初學(xué)者學(xué)習(xí)，也適合專業(yè)人士深入研究。首先，本書介紹了圖表征學(xué)習(xí)的基本概念和方法，包括圖嵌入、圖神經(jīng)網(wǎng)絡(luò)等。然后，本書詳細(xì)講解了動(dòng)態(tài)開放環(huán)境的圖表征學(xué)習(xí)，這是該領(lǐng)域的研究前沿。相比于靜態(tài)封閉環(huán)境假設(shè)，動(dòng)態(tài)開放環(huán)境對(duì)圖表征學(xué)習(xí)方法的魯棒性、泛化性、可解釋性等均提出了嚴(yán)峻挑戰(zhàn)，也激發(fā)了一系列新方法的設(shè)計(jì)。這些方法可以幫助我們更好地處理現(xiàn)實(shí)世界中的復(fù)雜圖數(shù)據(jù)。最后，本書還介紹了圖表征學(xué)習(xí)的應(yīng)用，包括推薦系統(tǒng)、交通預(yù)測(cè)等。 總之，無(wú)論是高等院校相關(guān)專業(yè)的本科生或研究生，還是領(lǐng)域內(nèi)的專家，抑或是僅對(duì)圖表征學(xué)習(xí)感興趣的讀者，本書都是一本很好的入門書和參考書，非常值得閱讀。 徐宗本 西安交通大學(xué) 本書是關(guān)于圖表征學(xué)習(xí)的介紹，共17章，內(nèi)容豐富。從廣度上看，書中討論了圖表征學(xué)習(xí)的不同方面，從早期的圖嵌入到近期的圖神經(jīng)網(wǎng)絡(luò)模型，以及圖表征學(xué)習(xí)的各類應(yīng)用，均有涉及。從深度上看，書中重點(diǎn)介紹了在動(dòng)態(tài)開放環(huán)境下的圖表征學(xué)習(xí)，包括圖的動(dòng)態(tài)性、魯棒性、可解釋性和泛化性等方面的內(nèi)容，均是機(jī)器學(xué)習(xí)和人工智能領(lǐng)域的關(guān)鍵問(wèn)題和前沿方向。本書作者朱文武教授等均來(lái)自清華大學(xué)，他們長(zhǎng)期從事圖表征學(xué)習(xí)的研究，對(duì)這個(gè)方向有深刻的理解。 本書既適合計(jì)算機(jī)科學(xué)、機(jī)器學(xué)習(xí)、數(shù)據(jù)分析專業(yè)的學(xué)生，以及大數(shù)據(jù)和人工智能應(yīng)用程序開發(fā)人員參考；也適合本科高年級(jí)學(xué)生或者研究生，以及大學(xué)的老師和研究機(jī)構(gòu)的研究人員閱讀。 陳 純 浙江大學(xué)

圖表征學(xué)習(xí):邁向動(dòng)態(tài)開放環(huán)境 作者簡(jiǎn)介

朱文武
清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系教授，清華大學(xué)人工智能研究院大數(shù)據(jù)智能中心主任，信息科學(xué)與技術(shù)國(guó)家研究中心副主任，國(guó)家973項(xiàng)目首席科學(xué)家。歐洲科學(xué)院院士、ACM Fellow、IEEE Fellow、AAAS Fellow、SPIE Fellow。曾任微軟亞洲研究院主任研究員、英特爾中國(guó)研究院首席科學(xué)家與總監(jiān)及美國(guó)貝爾實(shí)驗(yàn)室研究員等職。主要從事多媒體智能計(jì)算、大數(shù)據(jù)分析等研究工作。曾擔(dān)任IEEE Transactions on Multimedia主編、指導(dǎo)委員會(huì)主席。10次獲國(guó)際最佳論文獎(jiǎng)。獲2018年度國(guó)家自然科學(xué)二等獎(jiǎng)（排名第1）和2012年度國(guó)家自然科學(xué)二等獎(jiǎng)（排名第2）。

王 鑫朱文武 清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系教授，清華大學(xué)人工智能研究院大數(shù)據(jù)智能中心主任，信息科學(xué)與技術(shù)國(guó)家研究中心副主任，國(guó)家973項(xiàng)目首席科學(xué)家。歐洲科學(xué)院院士、ACM Fellow、IEEE Fellow、AAAS Fellow、SPIE Fellow。曾任微軟亞洲研究院主任研究員、英特爾中國(guó)研究院首席科學(xué)家與總監(jiān)及美國(guó)貝爾實(shí)驗(yàn)室研究員等職。主要從事多媒體智能計(jì)算、大數(shù)據(jù)分析等研究工作。曾擔(dān)任IEEE Transactions on Multimedia主編、指導(dǎo)委員會(huì)主席。10次獲國(guó)際最佳論文獎(jiǎng)。獲2018年度國(guó)家自然科學(xué)二等獎(jiǎng)（排名第1）和2012年度國(guó)家自然科學(xué)二等獎(jiǎng)（排名第2）。 王 鑫 清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系助理研究員，中國(guó)計(jì)算機(jī)學(xué)會(huì)多媒體專業(yè)技術(shù)委員會(huì)副秘書長(zhǎng)，清華大學(xué)博士后校友會(huì)秘書處副秘書長(zhǎng)。主要研究方向?yàn)槎嗝襟w智能、媒體大數(shù)據(jù)、機(jī)器學(xué)習(xí)等，在IEEE TPAMI、ICML、NeurIPS、ACM Multimedia等相關(guān)領(lǐng)域國(guó)際頂級(jí)期刊或會(huì)議上發(fā)表論文100余篇。承擔(dān)國(guó)家優(yōu)秀青年科學(xué)基金等項(xiàng)目，獲2017年度中國(guó)博士后創(chuàng)新人才支持計(jì)劃、2020年度ACM中國(guó)新星獎(jiǎng)、2022年度IEEE TCMC新星獎(jiǎng)。 張子威 清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系博士后，清華大學(xué)數(shù)理基科班學(xué)士、計(jì)算機(jī)系博士。主要研究方向?yàn)閳D機(jī)器學(xué)習(xí)，在國(guó)際頂級(jí)期刊和會(huì)議上發(fā)表論文30余篇，谷歌學(xué)術(shù)引用超過(guò)3000次。曾獲清華大學(xué)優(yōu)秀博士畢業(yè)生與優(yōu)秀博士畢業(yè)論文、吳文俊人工智能優(yōu)秀博士學(xué)位論文提名，入選百度AI華人新星百?gòu)?qiáng)榜單、AI 2000學(xué)者榜單、2022年博士后創(chuàng)新人才支持計(jì)劃。

商品評(píng)論(0條)
暫無(wú)評(píng)論……
書友推薦
本類暢銷
編輯推薦
返回頂部
中圖網(wǎng)
在線客服