第1章 圖的概述 1
1.1 圖的基本定義 1
1.1.1 圖的基本類型 2
1.1.2 鄰居和度 4
1.1.3 子圖與路徑 4
1.2 圖的存儲與遍曆 5
1.2.1 鄰接矩陣與關聯矩陣 5
1.2.2 圖的遍曆 6
1.3 圖數據的應用場景 7
1.4 圖數據深度學習 10
1.5 參考文獻 13
第2章 神經網絡基礎 17
2.1 機器學習基本概念 17
2.1.1 機器學習分類 17
2.1.2 機器學習流程概述 18
2.1.3 常見的損失函數 21
2.1.4 梯度下降算法 23
2.2 神經網絡 25
2.2.1 神經元 25
2.2.2 多層感知器 27
2.3 激活函數 29
2.3.1 S型激活函數 30
2.3.2 ReLU及其變種 30
2.4 訓練神經網絡 33
2.4.1 神經網絡的運行過程 34
2.4.2 反嚮傳播 34
2.4.3 優化睏境 36
2.5 參考文獻 38
第3章 捲積神經網絡 39
3.1 捲積與池化 39
3.1.1 信號處理中的捲積 39
3.1.2 深度學習中的捲積操作 42
3.1.3 池化 46
3.2 捲積神經網絡 46
3.2.1 捲積神經網絡的結構 47
3.2.2 捲積神經網絡的特點 49
3.3 特殊的捲積形式 51
3.3.1 1×1捲積 51
3.3.2 轉置捲積 52
3.3.3 空洞捲積 54
3.3.4 分組捲積 55
3.3.5 深度可分離捲積 55
3.4 捲積網絡在圖像分類中的應用 56
3.4.1 VGG 56
3.4.2 Inception係列 57
3.4.3 ResNet 60
3.5 參考文獻 62
第4章 錶示學習 65
4.1 錶示學習 65
4.1.1 錶示學習的意義 65
4.1.2 離散錶示與分布式錶示 66
4.1.3 端到端學習是一種強大的錶示學習方法 68
4.2 基於重構損失的方法—自編碼器 69
4.2.1 自編碼器 69
4.2.2 正則自編碼器 71
4.2.3 變分自編碼器 72
4.3 基於對比損失的方法—Word2vec 75
4.4 參考文獻 79
第5章 圖信號處理與圖捲積神經網絡 81
5.1 矩陣乘法的三種方式 81
5.2 圖信號與圖的拉普拉斯矩陣 83
5.3 圖傅裏葉變換 85
5.4 圖濾波器 90
5.4.1 空域角度 93
5.4.2 頻域角度 94
5.5 圖捲積神經網絡 96
5.6 GCN實戰 101
5.7 參考文獻 109
第6章 GCN的性質 111
6.1 GCN與CNN的聯係 111
6.2 GCN能夠對圖數據進行端對端學習 115
6.3 GCN是一個低通濾波器 120
6.4 GCN的問題—過平滑 122
6.5 參考文獻 127
第7章 GNN的變體與框架 129
7.1 GraphSAGE 129
7.1.1 采樣鄰居 130
7.1.2 聚閤鄰居 131
7.1.3 GraphSAGE算法過程 132
7.2 GAT 134
7.2.1 注意力機製 134
7.2.2 圖注意力層 137
7.2.3 多頭圖注意力層 138
7.3 R-GCN 140
7.3.1 知識圖譜 140
7.3.2 R-GCN 141
7.4 GNN的通用框架 143
7.4.1 MPNN 143
7.4.2 NLNN 146
7.4.3 GN 147
7.5 GraphSAGE實戰 148
7.6 參考文獻 153
第8章 圖分類 155
8.1 基於全局池化的圖分類 155
8.2 基於層次化池化的圖分類 156
8.2.1 基於圖坍縮的池化機製 157
8.2.2 基於TopK的池化機製 165
8.2.3 基於邊收縮的池化機製 168
8.3 圖分類實戰 169
8.4 參考文獻 177
第9章 基於GNN的圖錶示學習 179
9.1 圖錶示學習 180
9.2 基於GNN的圖錶示學習 182
9.2.1 基於重構損失的GNN 183
9.2.2 基於對比損失的GNN 184
9.3 基於圖自編碼器的推薦係統 188
9.4 參考文獻 195
第10章 GNN的應用簡介 197
10.1 GNN的應用簡述 197
10.2 GNN的應用案例 199
10.2.1 3D視覺 199
10.2.2 基於社交網絡的推薦係統 203
10.2.3 視覺推理 205
10.3 GNN的未來展望 208
10.4 參考文獻 209
附錄A 符號聲明 211
· · · · · · (收起)
具體描述
這是一本從原理、算法、實現、應用4個維度詳細講解圖神經網絡的著作，在圖神經網絡領域具有重大的意義。
本書作者是圖神經網絡領域的資深技術專傢，作者所在的公司極驗也是該領域的領先者。本書是作者和極驗多年研究與實踐經驗的總結，內容係統、紮實、深入淺齣，得到瞭白翔、俞棟等多位學術界和企業界領軍人物的高度評價及強烈推薦。
全書共10章：
第1～4章全麵介紹瞭圖、圖數據、捲積神經網絡以及錶示學習等基礎知識，是閱讀本書的預備知識；
第5～6章從理論的角度齣發，講解瞭圖信號處理和圖捲積神經網絡，深入剖析瞭圖捲積神經網絡的性質，並提供瞭GCN實現節點分類的實例；
第7～9章全麵講解瞭圖神經網絡的各種變體及範式、圖分類機製及其實踐，以及基於GNN的圖錶示學習；
第10章介紹瞭圖神經網絡的最新研究和應用。
用戶評價
##一言難盡的一本書，有種高中生直接看大物的感覺。要想深入淺齣，我覺得讀者首先得對捲積神經網絡原理，信號學原理熟練掌握，否則看這本書會很懵逼。最後，全書那麼多小錯誤，也太不用心瞭吧！公式錯瞭可能看不齣來，文字的錯誤可不能原諒瞭哦
##其中幾章挺有用的
##內容總體上算是入門的，並不精華，總體不如一些微信公眾號的文章或則是知乎的文章。我買的在綫版本居然還有很多重復的參考文獻，非常不專業，不推薦。
##其實還行吧，感覺有點水而已
##讀瞭一半，能明顯感覺到作者對這本書的用心，每個知識點都講得很全麵，有一種生怕讀者讀不明白的感覺，讀書感覺像是有老師在身邊指點，令人放心且愉悅。
##第五章開始講得不太清楚，拉普拉斯算子沒講明白像直接抄的，個彆地方有錯，86頁由式5.7可知LI=0應該是L1=0，1是列嚮量，可以看齣來齣版比較倉促。
##雖算不上權威，但還是挺用心的，至少勘誤會不斷在新一次印刷中更新，至少有實戰代碼。最核心的第5章通俗易懂，比教科書般的公式和推理強多瞭
##其中幾章挺有用的
##希望有更多的案例，跟直觀地感受到GNN的用處，比如說在知識圖譜中的應用，而僅僅是圖像