书 | 图理论 | 2020年GraphSage提出者William L. Hamilton《图表示学习》

原创 W. L. Hamilton 图科学实验室Graph Science Lab 2022-06-26 00:00 发表于台湾
收录于合集
#书籍6个
#图理论18个

摘要
从电信网络到量子化学，图结构数据在整个自然科学和社会科学中无处不在。将关系归纳偏差构建到深度学习架构中对于创建可以从此类数据中学习、推理和概括的系统至关重要。近年来，图表示学习的研究激增，包括深度图嵌入技术、卷积神经网络对图结构数据的泛化以及受信念传播启发的神经消息传递方法。图表示学习的这些进步已经在许多领域产生了新的最先进的结果，包括化学合成、3D 视觉、推荐系统、问答和社交网络分析。
本书提供了图表示学习的综合和概述。它首先讨论图表示学习的目标以及图论和网络分析的关键方法基础。在此之后，本书介绍并回顾了学习节点嵌入的方法，包括基于随机游走的方法和知识图谱的应用。然后，它提供了对非常成功的图神经网络 (GNN) 形式主义的技术综合和介绍，该形式主义已成为使用图数据进行深度学习的主要且快速发展的范式。本书最后综合了图的深度生成模型的最新进展——图表示学习的一个新生但快速发展的子集。

关键词
图神经网络，图嵌入，节点嵌入，深度学习，关系数据，知识图谱，社交网络，网络分析，图信号处理，图卷积，谱图理论，几何深度学习

书名：Graph Representation Learning
作者：William L. Hamilton
年份：2020年
出版社：Morgan &cLaypool publishers
书籍链接：
https://doi.org/10.2200/S01045ED1V01Y202009AIM046
https://www.cs.mcgill.ca/~wlh/grl_book/

下载链接：如不能下载，请加入微信群
链接: https://pan.baidu.com/s/1fW_dJD-cJ5PwZiBzRazUHg?pwd=t9h3
提取码: t9h3

书籍汇总：
https://pan.baidu.com/s/1Sxbd52F6zb9y2OWobe12bw?pwd=29sh
提取码: 29sh

作者简介

William L. Hamilton

麦吉尔大学计算机科学的兼职教授和 Citadel LLC 的高级定量研究员。
开发机器学习模型，可以推理复杂、相互关联的世界。

研究兴趣集中在机器学习、网络科学和自然语言处理的交叉领域，目前重点关注快速发展的图表示学习和图神经网络主题。

详见个人主页：https://williamleif.github.io/

前言
在过去的七年里，图表示学习领域以令人难以置信的——有时是笨拙的——发展速度。我第一次接触这个领域是在 2013 年，当时我还是一名研究生，当时许多研究人员开始研究用于“嵌入”图结构数据的深度学习方法。自 2013 年以来，图表示学习领域见证了真正令人印象深刻的崛起和扩展——从标准图神经网络范式的发展到图结构数据深度生成模型的新生工作。该领域已经从一小部分研究相对小众主题的研究人员转变为深度学习增长最快的子领域之一。

然而，随着该领域的发展，我们对图表示学习的方法和理论的理解也随着时间的推移而向后延伸。我们现在可以将流行的“节点嵌入”方法视为经典降维工作的易于理解的扩展。我们现在对图神经网络如何从历史上丰富的谱图理论、调和分析、变分推理和图同构理论的工作中独立地进化有了理解和欣赏。这本书是我尝试以一种实用的方式综合和总结这些方法论的主线。我希望向读者介绍该领域的当前实践，同时还将这种实践与机器学习及其他领域更广泛的历史研究联系起来。

目标读者
本书适用于机器学习领域的研究生水平研究人员或高年级本科生。图结构数据和图属性的讨论相对独立。但是，这本书确实假设具有机器学习背景并熟悉现代深度学习方法（例如卷积和递归神经网络）。一般来说，这本书假设人们可以从 Goodfellow 等人 [2016] 的《深度学习》一书等教科书中获得一定程度的机器学习和深度学习知识。

阅读原文（书 | 图理论 | 2020年GraphSage提出者William L. Hamilton《图表示学习》）