دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: سایبرنتیک: هوش مصنوعی ویرایش: 1 نویسندگان: William L. Hamilton سری: Synthesis Lectures on Artificial Intelligence and Machine Learning ISBN (شابک) : 1681739631, 9781681739656 ناشر: Morgan & Claypool سال نشر: 2020 تعداد صفحات: 161 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 7 مگابایت
کلمات کلیدی مربوط به کتاب آموزش نمایش گراف: شبکه های عصبی، یادگیری عمیق، شبکه های اجتماعی، تجزیه و تحلیل شبکه، نمودار دانش، نمودار شبکه های عصبی
در صورت تبدیل فایل کتاب Graph Representation Learning به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب آموزش نمایش گراف نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
داده های ساختاریافته نمودار در سراسر علوم طبیعی و اجتماعی، از شبکه های مخابراتی گرفته تا شیمی کوانتومی، در همه جا حاضر هستند. ایجاد سوگیری های استقرایی رابطه ای در معماری های یادگیری عمیق برای ایجاد سیستم هایی که می توانند از این نوع داده ها یاد بگیرند، استدلال کنند و تعمیم دهند، بسیار مهم است. سالهای اخیر شاهد افزایش تحقیقات در زمینه یادگیری بازنمایی گراف بودهایم، از جمله تکنیکهایی برای جاسازی گراف عمیق، تعمیم شبکههای عصبی کانولوشنال به دادههای ساختاریافته گراف، و رویکردهای انتقال پیام عصبی با الهام از انتشار باور. این پیشرفتها در یادگیری نمایش نمودار منجر به نتایج پیشرفتهای جدید در حوزههای متعدد، از جمله سنتز شیمیایی، دید سهبعدی، سیستمهای توصیهکننده، پاسخگویی به سؤال و تحلیل شبکههای اجتماعی شده است. این کتاب ترکیبی و مروری بر یادگیری نمایش نمودار ارائه می دهد. این با بحث در مورد اهداف یادگیری نمایش نمودار و همچنین مبانی روش شناختی کلیدی در نظریه گراف و تحلیل شبکه آغاز می شود. به دنبال آن، کتاب روشهایی را برای یادگیری جاسازی گرهها، از جمله روشهای مبتنی بر پیادهروی تصادفی و کاربرد در نمودارهای دانش، معرفی و مرور میکند. سپس یک ترکیب فنی و مقدمهای بر فرمالیسم شبکه عصبی گراف (GNN) بسیار موفق ارائه میکند، که به یک الگوی غالب و در حال رشد سریع برای یادگیری عمیق با دادههای گراف تبدیل شده است. این کتاب با ترکیبی از پیشرفتهای اخیر در مدلهای مولد عمیق برای نمودارها به پایان میرسد. زیرمجموعهای نوپا اما به سرعت در حال رشد از یادگیری نمایش گراف.
Graph-structured data is ubiquitous throughout the natural and social sciences, from telecommunication networks to quantum chemistry. Building relational inductive biases into deep learning architectures is crucial for creating systems that can learn, reason, and generalize from this kind of data. Recent years have seen a surge in research on graph representation learning, including techniques for deep graph embeddings, generalizations of convolutional neural networks to graph-structured data, and neural message-passing approaches inspired by belief propagation. These advances in graph representation learning have led to new state-of-the-art results in numerous domains, including chemical synthesis, 3D vision, recommender systems, question answering, and social network analysis. This book provides a synthesis and overview of graph representation learning. It begins with a discussion of the goals of graph representation learning as well as key methodological foundations in graph theory and network analysis. Following this, the book introduces and reviews methods for learning node embeddings, including random-walk-based methods and applications to knowledge graphs. It then provides a technical synthesis and introduction to the highly successful graph neural network (GNN) formalism, which has become a dominant and fast-growing paradigm for deep learning with graph data. The book concludes with a synthesis of recent advancements in deep generative models for graphsa nascent but quickly growing subset of graph representation learning.
Preface Acknowledgments Introduction What is a Graph? Multi-Relational Graphs Feature Information Machine Learning on Graphs Node Classification Relation Prediction Clustering and Community Detection Graph Classification, Regression, and Clustering Background and Traditional Approaches Graph Statistics and Kernel Methods Node-Level Statistics and Features Graph-Level Features and Graph Kernels Neighborhood Overlap Detection Local Overlap Measures Global Overlap Measures Graph Laplacians and Spectral Methods Graph Laplacians Graph Cuts and Clustering Generalized Spectral Clustering Toward Learned Representations Node Embeddings Neighborhood Reconstruction Methods An Encoder-Decoder Perspective The Encoder The Decoder Optimizing an Encoder-Decoder Model Overview of the Encoder-Decoder Approach Factorization-Based Approaches Random Walk Embeddings Random Walk Methods and Matrix Factorization Limitations of Shallow Embeddings Multi-Relational Data and Knowledge Graphs Reconstructing Multi-Relational Data Loss Functions Multi-Relational Decoders Representational Abilities Graph Neural Networks The Graph Neural Network Model Neural Message Passing Overview of the Message Passing Framework Motivations and Intuitions The Basic GNN Message Passing with Self-Loops Generalized Neighborhood Aggregation Neighborhood Normalization Set Aggregators Neighborhood Attention Generalized Update Methods Concatenation and Skip-Connections Gated Updates Jumping Knowledge Connections Edge Features and Multi-Relational GNNs Relational Graph Neural Networks Attention and Feature Concatenation Graph Pooling Generalized Message Passing Graph Neural Networks in Practice Applications and Loss Functions GNNs for Node Classification GNNs for Graph Classification GNNs for Relation Prediction Pre-Training GNNs Efficiency Concerns and Node Sampling Graph-Level Implementations Subsampling and Mini-Batching Parameter Sharing and Regularization Theoretical Motivations GNNs and Graph Convolutions Convolutions and the Fourier Transform From Time Signals to Graph Signals Spectral Graph Convolutions Convolution-Inspired GNNs GNNs and Probabilistic Graphical Models Hilbert Space Embeddings of Distributions Graphs as Graphical Models Embedding Mean-Field Inference GNNs and PGMs More Generally GNNs and Graph Isomorphism Graph Isomorphism Graph Isomorphism and Representational Capacity The Weisfieler–Lehman Algorithm GNNs and the WL Algorithm Beyond the WL Algorithm Generative Graph Models Traditional Graph Generation Approaches Overview of Traditional Approaches Erdös–Rényi Model Stochastic Block Models Preferential Attachment Traditional Applications Deep Generative Models Variational Autoencoder Approaches Node-Level Latents Graph-Level Latents Adversarial Approaches Autoregressive Methods Modeling Edge Dependencies Recurrent Models for Graph Generation Evaluating Graph Generation Molecule Generation Conclusion Bibliography Author\'s Biography Blank Page