图深度学习大纲
第1章 绪论
- 1.2 图深度学习的动机(两点原因)
- 1.5 图特征学习的简要发展史
- 特征工程
- 特征学习
- 图特征选择
- 图表示学习
- 1.7 扩展阅读
- 特征选择相关图书和文献综述
- scikit-feature特征选择库
- 深度学习及其应用的图书
- 深度学习方法和模型
- 语音识别中的深度学习
- 自然语言处理中的深度学习
第1篇 基础理论
第2章 图论基础
- 2.2 图的表示
- 图的定义
- 邻接矩阵
- 2.3 图的性质
- 2.3.1 度
- 度的定义
- 邻域
- 2.3.2 连通度
- 途径
- 迹
- 路
- 子图
- 连通分量
- 连通图
- 最短路
- 直径
- 2.3.3 中心性
- 度中心性
- 特征向量中心性(用相邻节点的中心性定义)
- Katz中心性(特征向量中心性+考虑自己)
- 介数中心性(通过节点的路)
- 2.3.1 度
- 2.4 谱图论
- 2.4.1 拉普拉斯矩阵
- 拉普拉斯矩阵的定义和归一化
- \(f^TLf\)的含义
- 2.4.2 拉普拉斯矩阵的特征值和特征向量
- 2.4.1 拉普拉斯矩阵
- 2.5 图信号处理
- 图信号的定义
- 图信号的平滑度(频率)
- 图信号的空间域和谱域表示与转换
- 图信号的傅里叶变换
- 图信号的逆傅里叶变换
- 2.6 复杂图
- 2.6.1 异质图
- 2.6.2 二分图
- 2.6.3 多维图
- 2.6.4 符号(正负号)图
- 2.6.5 超图
- 2.6.6 动态图
- 2.7 图的计算任务
- 2.7.1 侧重于节点的任务
- 节点分类
- Flickr中的节点分类
- 链接预测
- 预测DBLP中可能出现的合作关系
- 节点分类
- 2.7.2 侧重于图的任务
- 图分类
- 预测给定蛋白质是否为一种酶
- 2.7.1 侧重于节点的任务
- 2.9 扩展阅读
- 图的其他性质和概念
- 流
- 切割
- 图上定义的问题
- 图着色问题
- 路由问题
- 网络流问题
- 覆盖问题
- 图的谱域性质和理论的相关书籍
- 图在不同领域应用
- 图数据集
- Python工具包
- networkx
- graph-tool
- SNAP
- 图信号处理工具:Graph Signal Processing Toolbox
- 图的其他性质和概念
第3章 深度学习基础
- 3.2 深度前馈神经网络
- 3.2.1 网络结构
- 3.2.2 激活函数
- 整流函数
- 整流线性单元(ReLU)
- 带泄露整流线性单元(LeakyReLU)
- 指数线性单元(ELU)
- 逻辑S形函数和双曲正切函数
- 整流函数
- 3.2.3 输出层与损失函数
- 回归问题
- 分类问题
- 二分类
- 多分类
- 3.3 卷积神经网络
- 3.3.1 卷积操作和卷积层
- 3.3.2 实际操作中的卷积层
- 通道与多卷积核
- 跨步卷积
- 3.3.3 非线性激活层
- 3.3.4 池化层
- 最大池化
- 平均池化
- 卷积神经网络的总体框架
- 3.4循环神经网络 RNN
- 3.4.1 传统循环神经网络的网络结构
- 3.4.2 长短期记忆网络 LSTM
- 3.4.3 门控循环单元 GRU
- 3.5 自编码器
- 3.5.1 欠完备自编码器
- 2.5.2 正则化自编码器
- 3.6 深度神经网络的训练
- 3.6.1 梯度下降
- 3.6.2 反向传播
- 3.6.3 预防过拟合
- 参数正则化
- Dropout
- 批量归一化
- 3.8 扩展阅读
- 线性代数、概率论、优化方面的书籍
- 深度神经网络相关书籍
- Tensorflow和Pytorch
第2篇 模型方法
第4章 图嵌入
- 4.2 简单图的图嵌入
- 4.2.1 保留节点共现
- DeepWalk
- node2vector
- LINE
- 4.2.1 保留节点共现