Libro de Aprendizaje de Representación de Grafos: Descripción Detallada

Resumen

Este es un libro de texto completo sobre el aprendizaje de representación de grafos, escrito por el profesor William L. Hamilton de la Universidad McGill. El libro tiene como objetivo proporcionar una introducción concisa pero exhaustiva al aprendizaje de representación de grafos, cubriendo métodos de incrustación de datos de grafos, redes neuronales de grafos y modelos generativos profundos de grafos.

Antecedentes

El campo del aprendizaje de representación de grafos ha evolucionado a un ritmo asombroso en los últimos siete años, pasando de ser un subconjunto de investigación relativamente nicho a uno de los subcampos de más rápido crecimiento en el aprendizaje profundo. Este libro es un intento del autor de proporcionar una introducción autorizada a este campo en rápida evolución.

Cómo Acceder

• Versión gratuita: Se puede descargar la versión preliminar en formato PDF.
• Versión oficial: Se puede adquirir el libro electrónico o la versión impresa a través de la editorial Morgan & Claypool.
• Acceso por capítulos: Se puede acceder individualmente a las versiones preliminares de cada capítulo.

Estructura del Contenido

Parte Fundamental

• Chapter 1: Introduction and Motivations

  • Introducción y motivaciones
  • Última actualización: Septiembre de 2020

• Chapter 2: Background and Traditional Approaches

  • Antecedentes y enfoques tradicionales
  • Última actualización: Septiembre de 2020

Parte I: Incrustaciones de Nodos (Node Embeddings)

• Chapter 3: Neighborhood Reconstruction Methods

  • Métodos de reconstrucción de vecindarios
  • Última actualización: Septiembre de 2020

• Chapter 4: Multi-Relational Data and Knowledge Graphs

  • Datos multirrelacionales y grafos de conocimiento
  • Última actualización: Septiembre de 2020

Parte II: Redes Neuronales de Grafos (Graph Neural Networks)

• Chapter 5: The Graph Neural Network Model

  • El modelo de red neuronal de grafos
  • Última actualización: Septiembre de 2020

• Chapter 6: Graph Neural Networks in Practice

  • Redes neuronales de grafos en la práctica
  • Última actualización: Septiembre de 2020

• Chapter 7: Theoretical Motivations

  • Motivaciones teóricas
  • Última actualización: Septiembre de 2020

Parte III: Modelos Generativos de Grafos (Generative Graph Models)

• Chapter 8: Traditional Graph Generation Approaches

  • Enfoques tradicionales de generación de grafos
  • Última actualización: Septiembre de 2020

• Chapter 9: Deep Generative Models

  • Modelos generativos profundos
  • Última actualización: Septiembre de 2020

Apéndice

• Bibliography
  • Referencias
  • Última actualización: Septiembre de 2020

Información Académica

• Autor: William L. Hamilton
• Editorial: Morgan & Claypool Publishers
• Serie: Synthesis Lectures on Artificial Intelligence and Machine Learning
• Volumen: 14
• Número: 3
• Páginas: 1-159

Información de Derechos de Autor

La versión preliminar de este libro está disponible públicamente con el generoso permiso de la editorial, pero no incluye el formato ni las revisiones de la editorial. Todos los derechos de autor son propiedad del autor y de la editorial.

Canal de Comentarios

Se agradecen comentarios, correcciones de errores y sugerencias. Por favor, envíelos a wlh@cs.mcgill.ca con el asunto [GRL BOOK].

Valor de Aprendizaje

Este libro ofrece un valioso recurso de aprendizaje para las siguientes personas:

• Investigadores de aprendizaje profundo
• Principiantes en redes neuronales de grafos
• Profesionales del análisis de datos de grafos
• Ingenieros de aprendizaje automático
• Estudiantes de posgrado y doctorado

Áreas Tecnológicas Clave

• Técnicas de incrustación de grafos
• Arquitecturas de redes neuronales de grafos
• Procesamiento de grafos de conocimiento
• Modelos generativos de grafos
• Aplicaciones del aprendizaje profundo en datos de grafos