مجله علمی تفریحی بیبیس
0

دانلود کتاب شبکه های عصبی نموداری – مبانی، مرزها و کاربردها

بازدید 895
  • عنوان: Graph Neural Networks/ Foundations, Frontiers, and Applications
  • نویسنده: Lingfei Wu, Peng Cui, Jian Pei, Liang Zhao
  • حوزه: شبکه عصبی
  • سال انتشار: 2022
  • تعداد صفحه: 701
  • زبان اصلی: انگلیسی
  • نوع فایل: pdf
  • حجم فایل: 16.60 مگابایت

حوزه شبکه های عصبی گراف (GNN) طی سال های اخیر شاهد پیشرفت های سریع و باورنکردنی بوده است. شبکه‌های عصبی گراف که به‌عنوان یادگیری عمیق روی نمودارها، یادگیری نمایش نمودار یا یادگیری عمیق هندسی نیز شناخته می‌شوند، به یکی از سریع‌ترین موضوعات تحقیقاتی در حال رشد در یادگیری ماشین، به‌ویژه یادگیری عمیق تبدیل شده‌اند. این موج تحقیق در تلاقی نظریه گراف و یادگیری عمیق بر سایر زمینه‌های علوم از جمله سیستم‌های توصیه، بینایی کامپیوتر، پردازش زبان طبیعی، برنامه‌نویسی منطق استقرایی، ترکیب برنامه‌ها، استخراج نرم‌افزار، برنامه‌ریزی خودکار، امنیت سایبری و حمل و نقل هوشمند تأثیر گذاشته است. . اگرچه شبکه‌های عصبی گراف توجه قابل توجهی را به خود جلب کرده‌اند، اما همچنان هنگام به‌کارگیری آن‌ها در حوزه‌های دیگر، از درک نظری روش‌ها گرفته تا مقیاس‌پذیری و تفسیرپذیری در یک سیستم واقعی، و از سلامت روش‌شناسی تا عملکرد تجربی در یک سیستم، با چالش‌های زیادی روبرو هستند. کاربرد. با این حال، همانطور که این زمینه به سرعت در حال رشد است، دستیابی به دیدگاهی جهانی از پیشرفت GNN ها بسیار چالش برانگیز بوده است. بنابراین، ما احساس فوریت می کنیم که شکاف فوق را پر کنیم و کتابی جامع در مورد این موضوع به سرعت در حال رشد و در عین حال چالش برانگیز داشته باشیم که می تواند برای مخاطبان گسترده ای از جمله دانشجویان پیشرفته کارشناسی و کارشناسی ارشد، محققان فوق دکترا، مدرسان و متخصصان صنعتی مفید باشد. این کتاب در نظر گرفته شده است که طیف وسیعی از موضوعات را در شبکه‌های عصبی گراف، از مبانی تا مرزها، و از روش‌شناسی تا کاربردها، پوشش دهد. کتاب ما به معرفی مفاهیم و الگوریتم های اساسی GNN ها، مرزهای تحقیقاتی جدید GNN ها و کاربردهای گسترده و نوظهور با GNN اختصاص دارد.

The field of graph neural networks (GNNs) has seen rapid and incredible strides over the recent years. Graph neural networks, also known as deep learning on graphs, graph representation learning, or geometric deep learning, have become one of the fastest-growing research topics in machine learning, especially deep learning. This wave of research at the intersection of graph theory and deep learning has also influenced other fields of science, including recommendation systems, computer vision, natural language processing, inductive logic programming, program synthesis, software mining, automated planning, cybersecurity, and intelligent transportation. Although graph neural networks have achieved remarkable attention, it still faces many challenges when applying them into other domains, from the theoretical understanding of methods to the scalability and interpretability in a real system, and from the soundness of the methodology to the empirical performance in an application. However, as the field rapidly grows, it has been extremely challenging to gain a global perspective of the developments of GNNs. Therefore, we feel the urgency to bridge the above gap and have a comprehensive book on this fast-growing yet challenging topic, which can benefit a broad audience including advanced undergraduate and graduate students, postdoctoral researchers, lecturers, and industrial practitioners. This book is intended to cover a broad range of topics in graph neural networks, from the foundations to the frontiers, and from the methodologies to the applications. Our book is dedicated to introducing the fundamental concepts and algorithms of GNNs, new research frontiers of GNNs, and broad and emerging applications with GNNs.

این کتاب را میتوانید بصورت رایگان از لینک زیر دانلود نمایید.

Download: Graph Neural Networks

نظرات کاربران

  •  چنانچه دیدگاه شما توهین آمیز باشد تایید نخواهد شد.
  •  چنانچه دیدگاه شما جنبه تبلیغاتی داشته باشد تایید نخواهد شد.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.