裴健、吳淩飛等權威學者聯合撰寫,一本書讀懂圖神經網絡的基礎、前沿、應用(免費下載)

1 月 12 日 機器之心
裴健、吳淩飛等權威學者聯合撰寫,一本書讀懂圖神經網絡的基礎、前沿、應用(免費下載)
機器之心報道
機器之心編輯部

這本書稱得上是目前為止圖神經網絡領域最為全麵的卓越之作。


近年來,圖神經網絡 (GNN) 領域取得了快速且驚人的進展。圖神經網絡,也稱為圖深度學習、圖表示學習或幾何深度學習,已成為機器學習尤其是深度學習中發展最快的研究課題之一。這一批湧現的圖論和深度學習交叉的研究也影響了其他科學領域,包括推薦係統、計算機視覺、自然語言處理、歸納邏輯編程、程序合成、軟件挖掘、自動化規劃、網絡安全和智能交通。

雖然圖神經網絡已經獲得了極大的關注,但在將其應用到其他領域時仍然麵臨著許多挑戰,從對方法的理論理解到實際係統中的可擴展性和可解釋性,從方法的健全性到在實際係統應用中的經驗表現。盡管該領域實現了快速發展,從全局視角了解 GNN 的發展卻始終極具挑戰性。
為了彌合上述差距,吳淩飛、崔鵬、裴健、趙亮幾位學者牽頭編撰了一本圖神經網絡領域的綜合性書籍。這本書曆時近一年時間寫作而成,全書由四大部分(引言,基礎,前沿,應用)共 27 個章節組成,麵向這一領域的高級本科生和研究生、博士後研究人員、講師和行業從業者。

這是目前為止在圖神經網絡方麵最為全麵的一本書。本書涵蓋了圖神經網絡的眾多主題,從基礎到前沿,從方法論到應用。這本書介紹了 GNN 的基本概念和算法、GNN 的研究前沿以及 GNN 的廣泛應用和新興應用。


書籍的英文版已經在多個平台開啟預訂,中文版書籍將在 2022 年中期正式出版。目前已有免費公開版可供閱讀。

書籍開源網站地址: https://graph-neural-networks.github.io/index.htm l

目錄

第一部分:引言

  • 第 1 章 表示學習

  • 第 2 章 圖表示學習

  • 第 3 章 圖神經網絡


第二部分:基礎

  • 第 4 章 用於節點分類的圖神經網絡

  • 第 5 章 圖神經網絡的表達能力

  • 第 6 章 圖神經網絡:可擴展性

  • 第 7 章 圖神經網絡中的可解釋性

  • 第 8 章 圖神經網絡:對抗魯棒性


第三部分:前沿

  • 第 9 章 圖神經網絡:圖分類

  • 第 10 章 圖神經網絡:鏈接預測

  • 第 11 章 圖神經網絡:圖生成

  • 第 12 章 圖神經網絡:圖變換

  • 第 13 章 圖神經網絡:圖匹配

  • 第 14 章 圖神經網絡:圖結構學習

  • 第 15 章 動態圖神經網絡

  • 第 16 章 異構圖神經網絡

  • 第 17 章 圖神經網絡:AutoML

  • 第 18 章 圖神經網絡:自監督學習


第四部分:應用

  • 第 19 章 現代推薦係統中的圖神經網絡

  • 第 20 章 計算機視覺中的圖神經網絡

  • 第 21 章 自然語言處理中的圖神經網絡

  • 第 22 章 程序分析中的圖神經網絡

  • 第 23 章 軟件挖掘中的圖神經網絡

  • 第 24 章 藥物開發中基於 GNN 的生物醫學知識圖譜挖掘

  • 第 25 章 預測蛋白質功能和相互作用的圖神經網絡

  • 第 26 章 異常檢測中的圖神經網絡

  • 第 27 章 城市智能中的圖神經網絡


作者介紹


吳淩飛博士現任京東矽穀研發中心首席科學家。吳博士曾經是 IBM T. J. Watson Research Center 研究科學家和團隊帶頭人。吳博士在 2016 年從威廉瑪麗大學取得計算機博士學位。他的研究內容包括機器學習、表征學習和自然語言處理。

吳博士帶領的 Graph4NLP (Deep Learning on Graphs for Natural Language Processing) 團隊(12+ 研究科學家)致力於機器學習與文本數據挖掘領域的基礎研究,並運用機器學習與文本數據挖掘方法解決實際問題。其學術成果先後發表在 NeurIPS, ICML, ICLR, ACL, EMNLP, KDD, AAAI, IJCAI 等國際頂級會議及期刊上,發表論文超過 80 多篇。代表作包括 IDGL, MGMN, Graph2Seq, GraphFlow。多項學術論文獲得著名國際大會的最佳論文和最佳學術論文獎,包括 IEEE ICC 2019。

吳博士同時現任 IEEE 影響因子最高期刊之一 IEEE Transactions on Neural Networks and Learning Systems(TNNLS) 和 ACM SIGKDD 旗艦期刊 ACM Transactions on Knowledge Discovery from Data (TKDD) 的副主編。多次組織和擔任國際頂級會議大會或者領域主席,如 AAAI, IJCAI, KDD, NeurIPS, ICLR, ICML, ACL, EMNLP。


崔鵬,清華大學計算機係長聘副教授。於 2010 年獲得清華大學博士學位,研究興趣包括因果正則機器學習(causally-regularized machine learning)、網絡表示學習和社交動態建模。他在數據挖掘和多媒體領域知名會議和期刊上發表文章 100 多篇,近期研究獲得 IEEE Multimedia Best Department Paper Award、ICDM 2015 最佳學生論文獎等多個獎項。2015 年,他獲得 ACM 中國新星獎,2018 年獲得 CCF-IEEE CS 青年科學家獎。目前,他是 ACM 和 CCF 傑出會員、IEEE 高級會員。


裴健在數據科學、大數據、數據挖掘和數據庫係統等領域,是世界領先的研究學者,國際計算機協會(ACM)院士和國際電氣電子工程師協會(IEEE)院士,擅長為數據密集型應用設計開發創新性的數據業務產品和高效的數據分析技術。因其在數據挖掘基礎、方法和應用方麵的傑出貢獻,裴健曾獲得數據科學領域技術成就最高獎 ACM SIGKDD Innovation Award(ACM SIGKDD 創新獎)和 IEEE ICDM Research Contributions Award(IEEE ICDM 研究貢獻獎)。2018 年,裴健入職京東,任集團副總裁。此前,裴健教授還曾擔任華為首席科學家。2019 年 9 月,裴健當選加拿大皇家學會院士。


趙亮現為埃默裏大學擔任計算機係助理教授,研究方向為數據挖掘、機器學習和優化。此前曾在喬治梅森大學信息科技學院和計算機學院擔任助理教授。2016 年秋,趙亮獲得弗吉尼亞理工大學的博士學位。此外,趙亮曾獲 2020 年美國自然科學基金委員會傑出青年獎(NSF CAREER AWARD)、2019 年 Jeffress Trust Award、2017 年弗吉尼亞理工大學計算機學院傑出博士獎,並入選 2016 年微軟評選出的數據挖掘領域 20 位學術新星。他還獲得過 ICDM 2019 會議的最佳論文獎項。

吳淩飛博士將於北京時間2月21日周一19:30 - 20:30,在機器之心機動組視頻直播中分享「GNN的基礎、前沿和應用」,敬請期待!

使用NVIDIA Riva快速構建企業級TTS語音合成助手


NVIDIA Riva 是一個使用 GPU 加速,能用於快速部署高性能會話式 AI 服務的 SDK,可用於快速開發語音 AI 的應用程序。Riva 的設計旨在幫助您輕鬆、快速地訪問會話 AI 功能,開箱即用,通過一些簡單的命令和 API 操作就可以快速構建高級別的 TTS 語音合成服務。

2022年1月12日19:30-21:00,本次線上分享主要介紹:
  • 語音合成簡介
  • NVIDIA Riva 特性介紹
  • 啟動 NVIDIA Riva 客戶端快速實現文字轉語音功能
  • 使用 Python 快速搭建基於 Riva 的 TTS 語音合成服務應用


點擊 閱讀原文 ,報名直播吧。


© THE END

轉載請聯係本公眾號獲得授權

投稿或尋求報道:content@jiqizhixin.com

登錄查看更多
0
0

相關內容

圖神經網絡 (GNN) 是一種連接模型,它通過圖的節點之間的消息傳遞來捕捉圖的依賴關係。與標準神經網絡不同的是,圖神經網絡保留了一種狀態,可以表示來自其鄰域的具有任意深度的信息。近年來,圖神經網絡(GNN)在社交網絡、知識圖、推薦係統、問答係統甚至生命科學等各個領域得到了越來越廣泛的應用。

知識薈萃

精品入門和進階教程、論文和代碼整理等

更多

查看相關VIP內容、論文、資訊等
【斯坦福Jiaxuan You】圖學習在金融網絡中的應用,24頁ppt
專知會員服務
32+閱讀 · 2021年9月19日
最新《神經架構搜索NAS》教程,33頁pdf
專知會員服務
25+閱讀 · 2020年12月2日
【KDD2020】圖神經網絡:基礎與應用,322頁ppt
專知會員服務
106+閱讀 · 2020年8月30日
【新書】圖神經網絡導論,清華大學劉知遠老師著作
專知會員服務
308+閱讀 · 2020年6月12日
圖神經網絡(Graph Neural Networks,GNN)綜述
極市平台
84+閱讀 · 2019年11月27日
免費教材-《數據科學基礎-2018》最新版下載
深度學習與NLP
31+閱讀 · 2018年12月28日
清華大學圖神經網絡綜述:模型與應用
機器之心
58+閱讀 · 2018年12月26日
國家自然科學基金
1+閱讀 · 2015年12月31日
國家自然科學基金
1+閱讀 · 2015年12月31日
國家自然科學基金
0+閱讀 · 2015年5月31日
國家自然科學基金
0+閱讀 · 2013年12月31日
國家自然科學基金
0+閱讀 · 2013年12月31日
國家自然科學基金
0+閱讀 · 2012年12月31日
國家自然科學基金
1+閱讀 · 2012年12月31日
國家自然科學基金
0+閱讀 · 2012年4月30日
國家自然科學基金
1+閱讀 · 2008年12月31日
Pre-Training on Dynamic Graph Neural Networks
Arxiv
0+閱讀 · 4月18日
Arxiv
11+閱讀 · 2021年12月19日
Arxiv
28+閱讀 · 2021年1月27日
Arxiv
35+閱讀 · 2020年12月2日
Principal Neighbourhood Aggregation for Graph Nets
Arxiv
15+閱讀 · 2020年6月7日
AdarGCN: Adaptive Aggregation GCN for Few-Shot Learning
Arxiv
62+閱讀 · 2020年2月28日
小貼士
相關基金
國家自然科學基金
1+閱讀 · 2015年12月31日
國家自然科學基金
1+閱讀 · 2015年12月31日
國家自然科學基金
0+閱讀 · 2015年5月31日
國家自然科學基金
0+閱讀 · 2013年12月31日
國家自然科學基金
0+閱讀 · 2013年12月31日
國家自然科學基金
0+閱讀 · 2012年12月31日
國家自然科學基金
1+閱讀 · 2012年12月31日
國家自然科學基金
0+閱讀 · 2012年4月30日
國家自然科學基金
1+閱讀 · 2008年12月31日
Top
微信掃碼谘詢專知VIP會員
Top