《深入浅出图神经网络：GNN原理解析》

https://cread.jd.com/read/startRead.action?bookId=30567027&readType=1

• 目录

• 封面

  
  



• 版权信息

  
  



• 前言

  
  



• 第1章 图的概述

  
  





• 1.1 图的基本定义

  
  





• 1.1.1 图的基本类型

  
  



• 1.1.2 邻居和度

  
  



• 1.1.3 子图与路径

  
  





• 1.2 图的存储与遍历

  
  





• 1.2.1 邻接矩阵与关联矩阵

  
  



• 1.2.2 图的遍历

  
  





• 1.3 图数据的应用场景

  
  



• 1.4 图数据深度学习

  
  



• 1.5 参考文献

  
  





• 第2章 神经网络基础

  
  





• 2.1 机器学习基本概念

  
  





• 2.1.1 机器学习分类

  
  



• 2.1.2 机器学习流程概述

  
  



• 2.1.3 常见的损失函数

  
  



• 2.1.4 梯度下降算法

  
  





• 2.2 神经网络

  
  





• 2.2.1 神经元

  
  



• 2.2.2 多层感知器

  
  





• 2.3 激活函数

  
  





• 2.3.1 S型激活函数

  
  



• 2.3.2 ReLU及其变种

  
  





• 2.4 训练神经网络

  
  





• 2.4.1 神经网络的运行过程

  
  



• 2.4.2 反向传播

  
  



• 2.4.3 优化困境

  
  





• 2.5 参考文献

  
  





• 第3章 卷积神经网络

  
  





• 3.1 卷积与池化

  
  





• 3.1.1 信号处理中的卷积

  
  



• 3.1.2 深度学习中的卷积操作

  
  



• 3.1.3 池化

  
  





• 3.2 卷积神经网络

  
  





• 3.2.1 卷积神经网络的结构

  
  



• 3.2.2 卷积神经网络的特点

  
  





• 3.3 特殊的卷积形式

  
  





• 3.1.1 1×1卷积

  
  



• 3.3.2 转置卷积

  
  



• 3.3.3 空洞卷积

  
  



• 3.3.4 分组卷积

  
  



• 3.3.5 深度可分离卷积

  
  





• 3.4 卷积网络在图像分类中的应用

  
  





• 3.4.1 VGG

  
  



• 3.4.2 Inception系列

  
  



• 3.4.3 ResNet

  
  





• 3.5 参考文献

  
  





• 第4章 表示学习

  
  





• 4.1 表示学习

  
  





• 4.1.1 表示学习的意义

  
  



• 4.1.2 离散表示与分布式表示

  
  



• 4.1.3 端到端学习是一种强大的表示学习方法

  
  





• 4.2 基于重构损失的方法—自编码器

  
  





• 4.2.1 自编码器

  
  



• 4.2.2 正则自编码器

  
  



• 4.2.3 变分自编码器

  
  





• 4.3 基于对比损失的方法—Word2vec

  
  



• 4.4 参考文献

  
  





• 第5章 图信号处理与图卷积神经网络

  
  





• 5.1 矩阵乘法的三种方式

  
  



• 5.2 图信号与图的拉普拉斯矩阵

  
  



• 5.3 图傅里叶变换

  
  



• 5.4 图滤波器

  
  





• 5.4.1 空域角度

  
  



• 5.4.2 频域角度

  
  





• 5.5 图卷积神经网络

  
  



• 5.6 GCN实战

  
  



• 5.7 参考文献

  
  





• 第6章 GCN的性质

  
  





• 6.1 GCN与CNN的联系

  
  



• 6.2 GCN能够对图数据进行端对端学习

  
  



• 6.3 GCN是一个低通滤波器

  
  



• 6.4 GCN的问题—过平滑

  
  



• 6.5 参考文献

  
  





• 第7章 GNN的变体与框架

  
  





• 7.1 GraphSAGE

  
  





• 7.1.1 采样邻居

  
  



• 7.1.2 聚合邻居

  
  



• 7.1.3 GraphSAGE算法过程

  
  





• 7.2 GAT

  
  





• 7.2.1 注意力机制

  
  



• 7.2.2 图注意力层

  
  



• 7.2.3 多头图注意力层

  
  





• 7.3 R-GCN

  
  





• 7.3.1 知识图谱

  
  



• 7.3.2 R-GCN

  
  





• 7.4 GNN的通用框架

  
  





• 7.4.1 MPNN

  
  



• 7.4.2 NLNN

  
  



• 7.4.3 GN

  
  





• 7.5 GraphSAGE实战

  
  



• 7.6 参考文献

  
  





• 第8章 图分类

  
  





• 8.1 基于全局池化的图分类

  
  



• 8.2 基于层次化池化的图分类

  
  





• 8.2.1 基于图坍缩的池化机制

  
  



• 8.2.2 基于TopK的池化机制

  
  



• 8.2.3 基于边收缩的池化机制

  
  





• 8.3 图分类实战

  
  



• 8.4 参考文献

  
  





• 第9章 基于GNN的图表示学习

  
  





• 9.1 图表示学习

  
  



• 9.2 基于GNN的图表示学习

  
  





• 9.2.1 基于重构损失的GNN

  
  



• 9.2.2 基于对比损失的GNN

  
  





• 9.3 基于图自编码器的推荐系统

  
  



• 9.4 参考文献

  
  





• 第10章 GNN的应用简介

  
  





• 10.1 GNN的应用简述

  
  



• 10.2 GNN的应用案例

  
  





• 10.2.1 3D视觉

  
  



• 10.2.2 基于社交网络的推荐系统

  
  



• 10.2.3 视觉推理

  
  





• 10.3 GNN的未来展望

  
  



• 10.4 参考文献

  
  





• 附录A 符号声明