توضیحات
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.
————————————————————–
ترجمه ماشینی :
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 از یادگیری نمایش نمودار را 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 زیرمجموعههای نوپای گرافسا، اما به سرعت در حال رشد یادگیری نمایش نمودار، به پایان میرسد.
tag : دانلود کتاب آموزش نمایش نمودار , Download آموزش نمایش نمودار , دانلود آموزش نمایش نمودار , Download Graph Representation Learning Book , آموزش نمایش نمودار دانلود , buy آموزش نمایش نمودار , خرید کتاب آموزش نمایش نمودار , دانلود کتاب Graph Representation Learning , کتاب Graph Representation Learning , دانلود Graph Representation Learning , خرید Graph Representation Learning , خرید کتاب Graph Representation Learning ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.