最新章節

• 參考文獻
• 27.2 未來的方向
• 27.1 用于智慧城市的圖神經網絡
• 第27章 智慧城市中的圖神經網絡
• 26.6 未來的方向
• 26.5 案例研究

• 參考文獻 更新時間：2022-12-20 18:19:25
• 27.2 未來的方向
• 27.1 用于智慧城市的圖神經網絡
• 第27章 智慧城市中的圖神經網絡
• 26.6 未來的方向
• 26.5 案例研究
• 26.4 分類法
• 26.3 流水線
• 26.2 基于GNN的異常檢測的問題
• 26.1 導讀
• 第26章 異常檢測中的圖神經網絡
• 25.3 未來的方向
• 25.2 三個典型的案例研究
• 25.1 從蛋白質的相互作用到功能簡介
• 第25章 預測蛋白質功能和相互作用的圖神經網絡
• 24.5 未來的方向
• 24.4 藥物開發中基于KG的假設生成
• 24.3 知識圖譜的推理
• 24.2 現有的生物醫學知識圖譜
• 24.1 導讀
• 第24章 藥物開發中基于圖神經網絡的生物醫學知識圖譜挖掘
• 23.5 小結
• 23.4 軟件挖掘任務實例：源代碼總結
• 23.3 相關的軟件挖掘任務
• 23.2 將軟件建模為圖
• 23.1 導讀
• 第23章 軟件挖掘中的圖神經網絡
• 22.7 未來的方向
• 22.6 案例研究2：預測動態類型化語言中的類型
• 22.5 案例研究1：檢測變量誤用缺陷
• 22.4 用于程序圖的圖神經網絡
• 22.3 程序的圖表征
• 22.2 程序分析中的機器學習
• 22.1 導讀
• 第22章 程序分析中的圖神經網絡
• 21.6 小結
• 21.5 未來的方向
• 21.4 案例研究2：基于圖的多跳閱讀理解
• 21.3 案例研究1：基于圖的文本聚類和匹配
• 21.2 將文本建模為圖
• 21.1 導讀
• 第21章 自然語言處理中的圖神經網絡
• 20.7 小結
• 20.6 圖神經網絡在計算機視覺中的前沿問題
• 20.5 其他相關工作：跨媒體
• 20.4 案例研究2：視頻
• 20.3 案例研究1：圖像
• 20.2 將視覺表征為圖
• 20.1 導讀
• 第20章 計算機視覺中的圖神經網絡
• 19.4 未來的方向
• 19.3 案例研究2：設備 云協作的GNN學習
• 19.2 案例研究1：動態的GNN學習
• 19.1 067圖神經網絡在推薦系統中的實踐
• 第19章 現代推薦系統中的圖神經網絡
• 第四部分 廣泛和新興的應用
• 18.8 小結
• 18.7 討論
• 18.6 節點-圖級代理任務
• 18.5 圖級代理任務
• 18.4 節點級代理任務
• 18.3 將SSL應用于圖神經網絡：對訓練策略、損失函數和代理任務進行分類
• 18.2 自監督學習概述
• 18.1 導讀
• 第18章 自監督學習
• 17.4 未來的方向
• 17.3 搜索算法
• 17.2 搜索空間
• 17.1 背景
• 第17章 自動機器學習
• 16.5 未來的方向
• 16.4 回顧
• 16.3 深度模型
• 16.2 淺層模型
• 16.1 HGNN簡介
• 第16章 異質圖神經網絡
• 15.6 小結
• 15.5 應用
• 15.4 用圖神經網絡對動態圖進行建模
• 15.3 動態圖的類型
• 15.2 背景和表示法
• 15.1 導讀
• 第15章 動態圖神經網絡
• 14.5 小結
• 14.4 未來的方向
• 14.3 圖神經網絡的圖結構學習
• 14.2 傳統的圖結構學習
• 14.1 導讀
• 第14章 圖結構學習
• 13.4 小結
• 13.3 圖相似性學習
• 13.2 圖匹配學習
• 13.1 導讀
• 第13章 圖匹配
• 12.6 小結
• 12.5 其他基于圖的轉換
• 12.4 節點-邊共轉換
• 12.3 邊級轉換
• 12.2 節點級轉換
• 12.1 圖轉換問題的形式化
• 第12章 圖轉換
• 11.4 小結
• 11.3 深度圖生成模型
• 11.2 經典的圖生成模型
• 11.1 導讀
• 第11章 圖生成
• 10.5 未來的方向
• 10.4 鏈接預測的理論
• 10.3 基于GNN的鏈接預測方法
• 10.2 傳統的鏈接預測方法
• 10.1 導讀
• 第10章 鏈接預測
• 9.7 小結
• 9.6 基準數據集
• 9.5 圖神經網絡在圖分類中的應用
• 9.4 圖神經網絡和高階層在圖分類中的局限性
• 9.3 池化層：從節點級輸出學習圖級輸出
• 9.2 用于圖分類的圖神經網絡：典型工作和現代架構
• 9.1 導讀
• 第9章 圖分類
• 第三部分 前沿
• 8.6 小結
• 8.5 從魯棒性的角度進行適當評估
• 8.4 提高圖神經網絡的魯棒性
• 8.3 可證明的魯棒性：圖神經網絡的認證
• 8.2 圖神經網絡的局限性：對抗性樣本
• 8.1 動機
• 第8章 圖神經網絡的對抗魯棒性
• 7.5 未來的方向
• 7.4 圖神經網絡解釋的評估
• 7.3 圖神經網絡的可解釋模型
• 7.2 圖神經網絡的解釋方法
• 7.1 背景：深度模型的可解釋性
• 第7章 圖神經網絡的可解釋性
• 6.5 未來的方向
• 6.4 大規模圖神經網絡在推薦系統中的應用
• 6.3 抽樣范式
• 6.2 引言
• 6.1 導讀
• 第6章 圖神經網絡的可擴展性
• 5.5 小結
• 5.4 比1-WL測試更強大的圖神經網絡架構
• 5.3 強大的消息傳遞圖神經網絡
• 5.2 圖表征學習和問題的提出
• 5.1 導讀
• 第5章 圖神經網絡的表達能力
• 4.5 小結
• 4.4 過平滑問題
• 4.3 無監督的圖神經網絡
• 4.2 有監督的圖神經網絡
• 4.1 背景和問題定義
• 第4章 用于節點分類的圖神經網絡
• 第二部分 基礎
• 3.3 小結
• 3.2 圖神經網絡概述
• 3.1 導讀
• 第3章 圖神經網絡
• 2.5 小結
• 2.4 圖神經網絡
• 2.3 現代圖嵌入方法
• 2.2 傳統圖嵌入方法
• 2.1 導讀
• 第2章 圖表征學習
• 1.3 小結
• 1.2 不同領域的表征學習
• 1.1 導讀
• 第1章 表征學習
• 第一部分 引言
• 資源與支持
• 主要符號
• 術語
• 撰稿人名單（按姓氏拼音排序）
• 編者簡介
• 致謝
• 前言
• 推薦序
• 推薦語（按姓氏拼音排序）
• 內容提要
• 版權
• 版權信息
• 封面

• 封面
• 版權信息
• 版權
• 內容提要
• 推薦語（按姓氏拼音排序）
• 推薦序
• 前言
• 致謝
• 編者簡介
• 撰稿人名單（按姓氏拼音排序）
• 術語
• 主要符號
• 資源與支持
• 第一部分 引言
• 第1章 表征學習
• 1.1 導讀
• 1.2 不同領域的表征學習
• 1.3 小結
• 第2章 圖表征學習
• 2.1 導讀
• 2.2 傳統圖嵌入方法
• 2.3 現代圖嵌入方法
• 2.4 圖神經網絡
• 2.5 小結
• 第3章 圖神經網絡
• 3.1 導讀
• 3.2 圖神經網絡概述
• 3.3 小結
• 第二部分 基礎
• 第4章 用于節點分類的圖神經網絡
• 4.1 背景和問題定義
• 4.2 有監督的圖神經網絡
• 4.3 無監督的圖神經網絡
• 4.4 過平滑問題
• 4.5 小結
• 第5章 圖神經網絡的表達能力
• 5.1 導讀
• 5.2 圖表征學習和問題的提出
• 5.3 強大的消息傳遞圖神經網絡
• 5.4 比1-WL測試更強大的圖神經網絡架構
• 5.5 小結
• 第6章 圖神經網絡的可擴展性
• 6.1 導讀
• 6.2 引言
• 6.3 抽樣范式
• 6.4 大規模圖神經網絡在推薦系統中的應用
• 6.5 未來的方向
• 第7章 圖神經網絡的可解釋性
• 7.1 背景：深度模型的可解釋性
• 7.2 圖神經網絡的解釋方法
• 7.3 圖神經網絡的可解釋模型
• 7.4 圖神經網絡解釋的評估
• 7.5 未來的方向
• 第8章 圖神經網絡的對抗魯棒性
• 8.1 動機
• 8.2 圖神經網絡的局限性：對抗性樣本
• 8.3 可證明的魯棒性：圖神經網絡的認證
• 8.4 提高圖神經網絡的魯棒性
• 8.5 從魯棒性的角度進行適當評估
• 8.6 小結
• 第三部分 前沿
• 第9章 圖分類
• 9.1 導讀
• 9.2 用于圖分類的圖神經網絡：典型工作和現代架構
• 9.3 池化層：從節點級輸出學習圖級輸出
• 9.4 圖神經網絡和高階層在圖分類中的局限性
• 9.5 圖神經網絡在圖分類中的應用
• 9.6 基準數據集
• 9.7 小結
• 第10章 鏈接預測
• 10.1 導讀
• 10.2 傳統的鏈接預測方法
• 10.3 基于GNN的鏈接預測方法
• 10.4 鏈接預測的理論
• 10.5 未來的方向
• 第11章 圖生成
• 11.1 導讀
• 11.2 經典的圖生成模型
• 11.3 深度圖生成模型
• 11.4 小結
• 第12章 圖轉換
• 12.1 圖轉換問題的形式化
• 12.2 節點級轉換
• 12.3 邊級轉換
• 12.4 節點-邊共轉換
• 12.5 其他基于圖的轉換
• 12.6 小結
• 第13章 圖匹配
• 13.1 導讀
• 13.2 圖匹配學習
• 13.3 圖相似性學習
• 13.4 小結
• 第14章 圖結構學習
• 14.1 導讀
• 14.2 傳統的圖結構學習
• 14.3 圖神經網絡的圖結構學習
• 14.4 未來的方向
• 14.5 小結
• 第15章 動態圖神經網絡
• 15.1 導讀
• 15.2 背景和表示法
• 15.3 動態圖的類型
• 15.4 用圖神經網絡對動態圖進行建模
• 15.5 應用
• 15.6 小結
• 第16章 異質圖神經網絡
• 16.1 HGNN簡介
• 16.2 淺層模型
• 16.3 深度模型
• 16.4 回顧
• 16.5 未來的方向
• 第17章 自動機器學習
• 17.1 背景
• 17.2 搜索空間
• 17.3 搜索算法
• 17.4 未來的方向
• 第18章 自監督學習
• 18.1 導讀
• 18.2 自監督學習概述
• 18.3 將SSL應用于圖神經網絡：對訓練策略、損失函數和代理任務進行分類
• 18.4 節點級代理任務
• 18.5 圖級代理任務
• 18.6 節點-圖級代理任務
• 18.7 討論
• 18.8 小結
• 第四部分 廣泛和新興的應用
• 第19章 現代推薦系統中的圖神經網絡
• 19.1 067圖神經網絡在推薦系統中的實踐
• 19.2 案例研究1：動態的GNN學習
• 19.3 案例研究2：設備 云協作的GNN學習
• 19.4 未來的方向
• 第20章 計算機視覺中的圖神經網絡
• 20.1 導讀
• 20.2 將視覺表征為圖
• 20.3 案例研究1：圖像
• 20.4 案例研究2：視頻
• 20.5 其他相關工作：跨媒體
• 20.6 圖神經網絡在計算機視覺中的前沿問題
• 20.7 小結
• 第21章 自然語言處理中的圖神經網絡
• 21.1 導讀
• 21.2 將文本建模為圖
• 21.3 案例研究1：基于圖的文本聚類和匹配
• 21.4 案例研究2：基于圖的多跳閱讀理解
• 21.5 未來的方向
• 21.6 小結
• 第22章 程序分析中的圖神經網絡
• 22.1 導讀
• 22.2 程序分析中的機器學習
• 22.3 程序的圖表征
• 22.4 用于程序圖的圖神經網絡
• 22.5 案例研究1：檢測變量誤用缺陷
• 22.6 案例研究2：預測動態類型化語言中的類型
• 22.7 未來的方向
• 第23章 軟件挖掘中的圖神經網絡
• 23.1 導讀
• 23.2 將軟件建模為圖
• 23.3 相關的軟件挖掘任務
• 23.4 軟件挖掘任務實例：源代碼總結
• 23.5 小結
• 第24章 藥物開發中基于圖神經網絡的生物醫學知識圖譜挖掘
• 24.1 導讀
• 24.2 現有的生物醫學知識圖譜
• 24.3 知識圖譜的推理
• 24.4 藥物開發中基于KG的假設生成
• 24.5 未來的方向
• 第25章 預測蛋白質功能和相互作用的圖神經網絡
• 25.1 從蛋白質的相互作用到功能簡介
• 25.2 三個典型的案例研究
• 25.3 未來的方向
• 第26章 異常檢測中的圖神經網絡
• 26.1 導讀
• 26.2 基于GNN的異常檢測的問題
• 26.3 流水線
• 26.4 分類法
• 26.5 案例研究
• 26.6 未來的方向
• 第27章 智慧城市中的圖神經網絡
• 27.1 用于智慧城市的圖神經網絡
• 27.2 未來的方向
• 參考文獻 更新時間：2022-12-20 18:19:25