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）
• 2.4 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
• 2.5 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
  • 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
• 2.9 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

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
  • 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