圖表徵學習：邁向動態開放環境

第1章 概述/1
1.1 引言/1
1.2 圖基礎知識/3
1.3 機器學習基礎知識/7
 
第1篇 經典圖表徵學習
第2 章 圖嵌入/13
2.1 基於隨機遊走的圖嵌入/13
2.2 基於矩陣分解的圖嵌入/18
2.3 基於深度自編碼器的圖嵌入/21
2.4 本章小結/24
第3 章 圖神經網路/25
3.1 譜域圖神經網路/26
3.2 空域圖神經網路/34
3.3 消息傳遞圖神經網路/41
3.4 圖池化/47
3.5 本章小結/53
第4 章 圖表徵學習理論分析/54
4.1 圖信號處理/54
4.2 圖同構測試/58
4.3 圖神經網路表達能力/61
4.4 過平滑與深層圖神經網路/64
4.5 本章小結/68
 
第2篇 動態開放環境圖表徵學習
第5章 魯棒圖表徵學習/71
5.1 圖資料上的對抗樣本/71
5.2 圖對抗攻擊的分類/73
5.3 圖神經網路模型上的攻擊與防禦方法/75
5.4 本章小結/78
第6章 解耦圖表徵學習· 79
6.1 基於變分自編碼器的解耦圖神經網路/79
6.2 基於鄰域路由機制的解耦圖神經網路/81
6.3 基於其他思想的解耦圖神經網路/87
6.4 本章小結/90
第7章 動態圖表徵學習/91
7.1 動態圖資料/91
7.2 離散時間動態圖表徵學習/92
7.3 連續時間動態圖表徵學習/94
7.4 本章小結/96
第8章 無監督圖神經網路與自監督圖神經網路/97
8.1 無監督學習的圖神經網路/97
8.2 自監督學習的圖神經網路/99
8.3 本章小結/106
第9章 圖神經網路的可解釋性/107
9.1 簡介/107
9.2 可解釋方法分類/109
9.3 實例級局部解釋/110
9.4 模型級全域解釋/114
9.5 對解釋模型的評價/115
9.6 可解釋性的交叉學科應用/117
9.7 本章小結/118
第10章 自動圖表徵學習/119
10.1 自動機器學習簡介/119
10.2 圖超參數優化/120
10.3 圖神經網路架構搜索/122
10.4 本章小結/132
第11章 元學習與圖表徵學習/133
11.1 元學習簡介/133
11.2 圖上的元學習/136
11.3 本章小結/143
第12章 分佈外泛化圖表徵學習/144
12.1 圖分佈外泛化問題和分類/145
12.2 資料層面方法/148
12.3 模型層面方法/151
12.4 學習策略/155
12.5 理論分析/162
12.6 本章小結/163
 
第3篇 圖表徵學習的應用
第13章 推薦系統/167
13.1 通用推薦/168
13.2 序列推薦/176
13.3 本章小結/179
第14章 交通預測/180
14.1 時空圖/181
14.2 時空圖神經網路模型/181
14.3 本章小結/188
第15章 自然語言處理/189
15.1 文本分類/189
15.2 關係抽取/192
15.3 文本生成/193
15.4 問答系統/196
15.5 其他任務/198
15.6 本章小結/198
第16章 組合優化/199
16.1 簡介/199
16.2 預備知識/200
16.3 尋找可行解/201
16.4 本章小結/207
第17章 圖表徵學習展望/209
參考文獻/211