Detaillierte Vorstellung des Buches "Graph Representation Learning"

Überblick

Dies ist ein umfassendes Lehrbuch über Graphenrepräsentationslernen, verfasst von Professor William L. Hamilton von der McGill University. Das Buch zielt darauf ab, eine prägnante, aber umfassende Einführung in das Graphenrepräsentationslernen zu bieten, die Methoden zur Einbettung von Graphendaten, Graphen-Neuronale Netze und tiefe generative Modelle für Graphen abdeckt.

Hintergrund

Das Feld des Graphenrepräsentationslernens hat sich in den letzten sieben Jahren mit erstaunlicher Geschwindigkeit entwickelt und ist von einem relativ kleinen Forschungsbereich zu einem der am schnellsten wachsenden Unterfelder im Deep Learning geworden. Dieses Buch ist der Versuch des Autors, eine maßgebliche Einführung in dieses sich schnell entwickelnde Feld zu geben.

Bezugsmöglichkeiten

• Kostenlose Version: Eine Vorabversion als PDF-Datei kann heruntergeladen werden.
• Offizielle Version: Die E-Book- oder Druckversion kann über den Verlag Morgan & Claypool erworben werden.
• Kapitelzugriff: Vorabversionen einzelner Kapitel können separat abgerufen werden.

Inhaltsstruktur

Grundlagen

• Chapter 1: Introduction and Motivations

  • Einführung und Motivationen
  • Zuletzt aktualisiert: September 2020

• Chapter 2: Background and Traditional Approaches

  • Hintergrund und traditionelle Ansätze
  • Zuletzt aktualisiert: September 2020

Teil I: Knoteneinbettungen (Node Embeddings)

• Chapter 3: Neighborhood Reconstruction Methods

  • Nachbarschaftsrekonstruktionsmethoden
  • Zuletzt aktualisiert: September 2020

• Chapter 4: Multi-Relational Data and Knowledge Graphs

  • Multirelationale Daten und Wissensgraphen
  • Zuletzt aktualisiert: September 2020

Teil II: Graphen-Neuronale Netze (Graph Neural Networks)

• Chapter 5: The Graph Neural Network Model

  • Das Graphen-Neuronale-Netz-Modell
  • Zuletzt aktualisiert: September 2020

• Chapter 6: Graph Neural Networks in Practice

  • Graphen-Neuronale Netze in der Praxis
  • Zuletzt aktualisiert: September 2020

• Chapter 7: Theoretical Motivations

  • Theoretische Motivationen
  • Zuletzt aktualisiert: September 2020

Teil III: Generative Graphenmodelle (Generative Graph Models)

• Chapter 8: Traditional Graph Generation Approaches

  • Traditionelle Graphengenerierungsansätze
  • Zuletzt aktualisiert: September 2020

• Chapter 9: Deep Generative Models

  • Tiefe generative Modelle
  • Zuletzt aktualisiert: September 2020

Anhänge

• Bibliography
  • Literaturverzeichnis
  • Zuletzt aktualisiert: September 2020

Akademische Informationen

• Autor: William L. Hamilton
• Verlag: Morgan & Claypool Publishers
• Reihe: Synthesis Lectures on Artificial Intelligence and Machine Learning
• Bandnummer: 14
• Ausgabe: 3
• Seiten: 1-159

Urheberrechtsinformationen

Die Vorabversion des Buches ist mit freundlicher Genehmigung des Verlags öffentlich zugänglich, jedoch ohne die Formatierung oder Überarbeitung des Verlags. Alle Urheberrechte liegen beim Autor und Verlag.

Feedback-Kanal

Feedback, Fehlerkorrekturen und Kommentare sind willkommen und können an wlh@cs.mcgill.ca gesendet werden. Bitte kennzeichnen Sie die E-Mail im Betreff mit [GRL BOOK].

Lernwert

Dieses Buch bietet eine wertvolle Lernressource für folgende Personengruppen:

• Deep-Learning-Forscher
• Anfänger im Bereich Graphen-Neuronale Netze
• Fachleute für Graphendatenanalyse
• Maschinelles Lernen Ingenieure
• Master- und Doktoranden

Kerntechnologiebereiche

• Graphen-Einbettungstechniken
• Architekturen von Graphen-Neuronale Netzen
• Verarbeitung von Wissensgraphen
• Graphen-Generierungsmodelle
• Anwendungen von Deep Learning auf Graphendaten