Livre sur l'apprentissage de la représentation graphique : Présentation détaillée

Aperçu

Il s'agit d'un manuel complet sur l'apprentissage de la représentation graphique, rédigé par le professeur William L. Hamilton de l'Université McGill. Ce livre vise à offrir une introduction concise mais exhaustive à l'apprentissage de la représentation graphique, couvrant les méthodes d'intégration de données graphiques, les réseaux neuronaux graphiques et les modèles génératifs profonds de graphes.

Contexte

Le domaine de l'apprentissage de la représentation graphique a connu un développement fulgurant au cours des sept dernières années, passant d'un sous-ensemble de recherche relativement de niche à l'un des sous-domaines de l'apprentissage profond qui connaît la croissance la plus rapide. Ce livre est la tentative de l'auteur de fournir une introduction faisant autorité à ce domaine en évolution rapide.

Accès

• Version gratuite : Le fichier PDF de la version préliminaire peut être téléchargé.
• Version officielle : L'e-book ou la version imprimée peuvent être achetés auprès de Morgan & Claypool Publishers.
• Accès aux chapitres : Les versions préliminaires des chapitres individuels sont accessibles.

Structure du contenu

Partie fondamentale

• Chapter 1: Introduction and Motivations

  • Introduction et motivations
  • Dernière mise à jour : Septembre 2020

• Chapter 2: Background and Traditional Approaches

  • Contexte et approches traditionnelles
  • Dernière mise à jour : Septembre 2020

Partie I : Intégrations de nœuds

• Chapter 3: Neighborhood Reconstruction Methods

  • Méthodes de reconstruction de voisinage
  • Dernière mise à jour : Septembre 2020

• Chapter 4: Multi-Relational Data and Knowledge Graphs

  • Données multi-relationnelles et graphes de connaissances
  • Dernière mise à jour : Septembre 2020

Partie II : Réseaux neuronaux graphiques

• Chapter 5: The Graph Neural Network Model

  • Le modèle de réseau neuronal graphique
  • Dernière mise à jour : Septembre 2020

• Chapter 6: Graph Neural Networks in Practice

  • Réseaux neuronaux graphiques en pratique
  • Dernière mise à jour : Septembre 2020

• Chapter 7: Theoretical Motivations

  • Motivations théoriques
  • Dernière mise à jour : Septembre 2020

Partie III : Modèles génératifs de graphes

• Chapter 8: Traditional Graph Generation Approaches

  • Approches traditionnelles de génération de graphes
  • Dernière mise à jour : Septembre 2020

• Chapter 9: Deep Generative Models

  • Modèles génératifs profonds
  • Dernière mise à jour : Septembre 2020

Annexe

• Bibliography
  • Références
  • Dernière mise à jour : Septembre 2020

Informations académiques

• Auteur : William L. Hamilton
• Éditeur : Morgan & Claypool Publishers
• Série : Synthesis Lectures on Artificial Intelligence and Machine Learning
• Volume : 14
• Numéro : 3
• Pages : 1-159

Informations sur le droit d'auteur

La version préliminaire de ce livre est accessible au public avec l'aimable autorisation de l'éditeur, mais n'inclut pas la mise en forme ou les révisions de l'éditeur. Tous les droits d'auteur sont détenus par l'auteur et l'éditeur.

Canal de feedback

Les retours, corrections d'erreurs et commentaires sont les bienvenus. Veuillez les envoyer à wlh@cs.mcgill.ca avec l'objet de l'e-mail [GRL BOOK].

Valeur d'apprentissage

Ce livre constitue une ressource d'apprentissage précieuse pour les personnes suivantes :

• Chercheurs en apprentissage profond
• Débutants en réseaux neuronaux graphiques
• Professionnels de l'analyse de données graphiques
• Ingénieurs en apprentissage automatique
• Étudiants de master et de doctorat

Domaines techniques clés

• Techniques d'intégration de graphes
• Architectures de réseaux neuronaux graphiques
• Traitement des graphes de connaissances
• Modèles génératifs de graphes
• Applications de l'apprentissage profond sur les données graphiques