图机器学习

样章

作者：

宣琦

定价：

109.00 元

版面字数：

350.00千字

开本：

特殊

装帧形式：

平装

页数：

300

最新
印次时间：

2022年9月

ISBN：

978-7-04-057639-9

物料号：

57639-00

出版时间：

2022年9月

读者对象：

学术著作

一级分类：

自然科学

二级分类：

计算机科学与工程

三级分类：

人工智能

暂无

目录
- 前辅文
- 第1章绪论
  - 1.1 网络科学
    - 1.1.1 神经网络
    - 1.1.2 交易网络
    - 1.1.3 社会网络
    - 1.1.4 互联网
  - 1.2 图数据
    - 1.2.1 图数据的表示
    - 1.2.2 图数据的特征
  - 1.3 图上的机器学习任务
    - 1.3.1 节点分类
    - 1.3.2 链路预测
    - 1.3.3 社团检测
    - 1.3.4 图分类
    - 1.3.5 对抗攻防
    - 1.3.6 数据增强
  - 1.4 图上的机器学习算法
    - 1.4.1 传统方法
    - 1.4.2 图表示学习
    - 1.4.3 图神经网络模型
  - 1.5 一些资源
    - 1.5.1 常用网络数据集网站
    - 1.5.2 本书所使用的图数据集
    - 1.5.3 图数据挖掘常用库
    - 1.5.4 网络可视化工具
  - 参考文献
- 第2章节点分类
  - 2.1 节点分类的基本概念
    - 2.1.1 问题描述
    - 2.1.2 评价指标
  - 2.2 基于手动特征的节点分类
  - 2.3 基于图嵌入的节点分类
    - 2.3.1 DeepWalk
    - 2.3.2 node2vec
    - 2.3.3 LINE
    - 2.3.4 SDNE
    - 2.3.5 Graph Factorization
    - 2.3.6 GraRep
    - 2.3.7 HOPE
  - 2.4 基于深度学习的节点分类
    - 2.4.1 GCN
    - 2.4.2 GAT
    - 2.4.3 GraphSAGE模型
  - 2.5 节点分类应用
  - 2.6 本章小结
  - 参考文献
- 第3章链路预测
  - 3.1 链路预测的基本概念
    - 3.1.1 问题描述
    - 3.1.2 评价指标
  - 3.2 启发式链路预测方法
    - 3.2.1 局部结构相似性指标
    - 3.2.2 全局结构相似性指标
    - 3.2.3 类局部结构相似性指标
  - 3.3 基于图嵌入的链路预测方法
    - 3.3.1 节点嵌入
    - 3.3.2 连边嵌入
  - 3.4 基于深度学习的链路预测方法
    - 3.4.1 GAE与VGAE
    - 3.4.2 SEAL模型
    - 3.4.3 HELP
  - 3.5 链路预测应用
    - 3.5.1 启发式链路预测方法分析
    - 3.5.2 基于图嵌入和深度学习的链路预测方法分析
  - 3.6 本章小结
  - 参考文献
- 第4章社团检测
  - 4.1 社团检测的基本概念
    - 4.1.1 问题描述
    - 4.1.2 评价指标
  - 4.2 传统社团检测算法
    - 4.2.1 快速贪婪算法
    - 4.2.2 标签传播算法
    - 4.2.3 Infomap算法
  - 4.3 深度社团检测算法
    - 4.3.1 GraphEncoder模型
    - 4.3.2 DNGR模型
    - 4.3.3 DANE模型
    - 4.3.4 SDCN模型
  - 4.4 社团检测应用
  - 4.5 本章小结
  - 参考文献
- 第5章图分类
  - 5.1 图分类的基本概念
    - 5.1.1 图分类
    - 5.1.2 评价指标
  - 5.2 基于手动特征的图分类
  - 5.3 基于图核的图分类
    - 5.3.1 基于随机游走的图核
    - 5.3.2 基于最短路径的图核
    - 5.3.3 基于WL子树的图核
  - 5.4 基于图嵌入的图分类
    - 5.4.1 subgraph2vec
    - 5.4.2 graph2vec
  - 5.5 基于深度学习的图分类
    - 5.5.1 DGCNN
    - 5.5.2 DiffPool
    - 5.5.3 SAGPool
    - 5.5.4 CapsGNN
  - 5.6 图分类应用
  - 5.7 本章小结
  - 参考文献
- 第6章对抗攻击
  - 6.1 对抗攻击的基本概念
    - 6.1.1 问题描述
    - 6.1.2 评价指标
    - 6.1.3 方法分类
  - 6.2 针对节点分类的对抗攻击
    - 6.2.1 NETTACK
    - 6.2.2 基于元梯度的攻击方法
  - 6.3 针对链路预测的对抗攻击
    - 6.3.1 基于RA的启发式攻击方法
    - 6.3.2 梯度攻击方法
  - 6.4 针对社团检测的对抗攻击
    - 6.4.1 启发式攻击方法
    - 6.4.2 基于进化计算的攻击方法
  - 6.5 针对图分类的对抗攻击
    - 6.5.1 基于强化学习的攻击方法
    - 6.5.2 后门攻击方法
  - 6.6 实验和分析
    - 6.6.1 基本实验结果
    - 6.6.2 实验结果可视化
  - 6.7 本章小结
  - 参考文献
- 第7章对抗防御
  - 7.1 对抗训练
    - 7.1.1 图对抗训练
    - 7.1.2 平滑对抗训练
  - 7.2 图净化
    - 7.2.1 GCNJaccard
    - 7.2.2 GCN-SVD
  - 7.3 注意力机制
    - 7.3.1 惩罚聚合GNN
    - 7.3.2 鲁棒图卷积网络
  - 7.4 鲁棒性验证
    - 7.4.1 节点属性扰动下的鲁棒性验证
    - 7.4.2 图结构扰动下的鲁棒性验证
  - 7.5 对抗检测
    - 7.5.1 基于节点分类的对抗检测
    - 7.5.2 基于图分类的对抗检测
  - 7.6 实验和分析
    - 7.6.1 对抗训练
    - 7.6.2 对抗检测
  - 7.7 本章小结
  - 参考文献
- 第8章图数据增强
  - 8.1 社团检测相关的数据增强
    - 8.1.1 基本定义
    - 8.1.2 基于多目标优化的网络社团结构增强
    - 8.1.3 基于相似性集成的社团检测增强
    - 8.1.4 社团检测增强实验
  - 8.2 图分类相关的数据增强
    - 8.2.1 基本定义
    - 8.2.2 基于结构映射的数据增强
    - 8.2.3 基于子图网络的特征扩充
    - 8.2.4 图分类增强实验
    - 8.2.5 MEvolve的多任务拓展
    - 8.2.6 SGN的多任务拓展
  - 8.3 节点分类相关的数据增强
    - 8.3.1 基本定义
    - 8.3.2 基于边移除的数据增强
    - 8.3.3 节点分类的增强实验
  - 8.4 本章小结
  - 参考文献

所在地区	请选择 
详细地址
收货人
联系电话
设为默认	设为默认收货地址

图机器学习

相关图书

信息融合：机器学习方法（英文版） Information Fusion: Machine Learning Methods

Jinxing Li ，Bob Zhang，David Zhang

控制论——关于在动物和机器中控制和通信的科学（第2版）

Norbert Wiener诺伯特•维纳