顶部
  1. 首页
  2. 图书产品
  3. 图机器学习
收藏

图机器学习

样章
作者：
宣琦
定价：
109.00元
ISBN：
978-7-04-057639-9
版面字数：
350.000千字
开本：
特殊
全书页数：
暂无
装帧形式：
平装
重点项目：
暂无
出版时间：
2022-09-23
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
  • 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

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

￥118.00 收藏