یادگیری ارائه گراف

داده‌های ساختاریافته با گراف در سراسر علوم طبیعی و اجتماعی، از شبکه‌های مخابراتی گرفته تا شیمی کوانتومی، فراگیر هستند. ایجاد بایاس‌های استقرایی رابطه‌ای در معماری‌های یادگیری عمیق برای ایجاد سیستم‌هایی که می‌توانند از این نوع داده‌ها یاد بگیرند، استدلال کنند و تعمیم دهند، بسیار مهم است. سال‌های اخیر شاهد افزایش تحقیقات در مورد یادگیری نمایش گراف، از جمله تکنیک‌های تعبیه عمیق گراف، تعمیم شبکه‌های عصبی کانولوشن به داده‌های ساختاریافته با گراف و رویکردهای انتقال پیام عصبی الهام گرفته از انتشار باور، بوده‌ایم. این پیشرفت‌ها در یادگیری نمایش گراف منجر به نتایج جدید و پیشرفته‌ای در حوزه‌های متعدد، از جمله سنتز شیمیایی، بینایی سه‌بعدی، سیستم‌های توصیه‌گر، پاسخ به سوال و تحلیل شبکه‌های اجتماعی شده است.

این کتاب، ترکیبی و مروری بر یادگیری نمایش گراف ارائه می‌دهد. این کتاب با بحثی در مورد اهداف یادگیری نمایش گراف و همچنین مبانی روش‌شناختی کلیدی در نظریه گراف و تحلیل شبکه آغاز می‌شود. پس از آن، کتاب روش‌های یادگیری تعبیه گره، از جمله روش‌های مبتنی بر گام تصادفی و کاربردهای آن در گراف‌های دانش را معرفی و بررسی می‌کند. سپس، یک سنتز فنی و مقدمه‌ای بر فرمالیسم بسیار موفق شبکه عصبی گراف (GNN) ارائه می‌دهد که به یک الگوی غالب و رو به رشد برای یادگیری عمیق با داده‌های گراف تبدیل شده است. این کتاب با سنتزی از پیشرفت‌های اخیر در مدل‌های مولد عمیق برای گراف‌ها – زیرمجموعه‌ای نوپا اما به سرعت در حال رشد از یادگیری نمایش گراف – به پایان می‌رسد.