Графовые нейронные сети на Python, Лабонн М., Груздев А., 2025

Графовые нейронные сети на Python, Лабонн М., Груздев А., 2025.

   Графовые нейронные сети стали одной из самых интересных архитектур в глубоком обучении. Технологические компании теперь пытаются применить их повсюду: в системах рекомендаций еды, видео и поиска романтических партнеров, для выявления фейковых новостей, проектирования микросхем и 3D-реконструкции.
Прочитав книгу, вы научитесь создавать собственные графовые наборы из табличных или исходных данных, преобразовывать узлы и ребра в высококачественные эмбеддинги, реализовывать графовые нейронные сети с использованием PyTorch Geometric, выполнять классификацию узлов, генерацию графов, предсказание связей, выбирать лучшую модель в зависимости от вашей задачи.
Издание предназначено специалистам по анализу и обработке данных, а также будет полезно разработчикам на Python и студентам вузов, желающих приобрести знания по одной из самых популярных архитектур ИИ.




Зачем использовать графовые нейронные сети?
В этой книге мы сосредоточимся на семействе методов глубокого обучения на графах, часто называемых графовыми нейронными сетями (graph neural networks - GNN). GNN - это новый тип архитектуры глубокого обучения, специально разработанный для данных, представленных в виде графов. В отличие от традиционных алгоритмов глубокого обучения, которые в первую очередь разрабатывались для текста и изображений, GNN созданы специально для обработки и анализа графовых наборов данных (см. рис. 1.4).

GNN стали мощным инструментом обучения на графах и показали отличные результаты в различных задачах и отраслях. Одним из наиболее ярких примеров является открытие нового антибиотика с помощью GNN [2]. Модель была обучена на 2500 молекулах и протестирована на библиотеке из 6000 соединений. Они предсказали, что молекула под названием халицин сможет убивать многие устойчивые к антибиотикам бактерии, обладая при этом низкой токсичностью для клеток человека. Основываясь на этом прогнозе, исследователи использовали халицин для лечения мышей, инфицированных бактериями, устойчивыми к антибиотикам. Они продемонстрировали ее эффективность и полагают, что эту модель можно использовать для разработки новых лекарств.

ОГЛАВЛЕНИЕ.
От издательства.
Часть I. ВВЕДЕНИЕ В ОБУЧЕНИЕ НА ГРАФАХ.
Глава 1. Начало работы с обучением на графах.
Почему именно графы?.
Зачем использовать обучение на графах?.
Зачем использовать графовые нейронные сети?.
Выводы.
Дополнительное чтение.
Глава 2. Теория графов для графовых нейронных сетей.
Технические требования.
Знакомство со свойствами графа.
Ориентированные графы (directed graphs).
Взвешенные графы (weighted graphs).
Связные графы (connected graphs).
Типы графов.
Знакомство с основными понятиями теории графов.
Фундаментальные объекты.
Меры центральности для графов.
Представление графа в виде матрицы смежности.
Изучение графовых алгоритмов.
Поиск в ширину (breadth-first search).
Поиск в глубину (depth-first search).
Выводы.
Часть II. ОСНОВЫ.
Глава 3. Создание представлений узлов с помощью DeepWalk.
Технические требования.
Знакомство с Word2Vec.
CBOW против skip-gram.
Создание скип-грамм.
Модель skip-gram.
DeepWalk и случайные блуждания.
Реализация DeepWalk.
Выводы.
Дополнительное чтение.
Глава 4. Улучшение эмбеддингов с помощью смещенных случайных блужданий в Node2Vec.
Технические требования.
Знакомство с Node2Vec.
Определение окрестности.
Внесение смещений в случайные блуждания.
Реализация Node2Vec.
Создание рекомендательной системы фильмов.
Выводы.
Дополнительное чтение.
Глава 5. Включение информации о характеристиках узлов с помощью простых нейронных сетей.
Технические требования.
Знакомство с графовыми наборами данных.
Набор данных Cora.
Набор данных Facebook Page-Page.
Классификация узлов с помощью простых нейронных сетей.
Классификация узлов с помощью простых графовых нейронных сетей.
Выводы.
Дополнительное чтение.
Глава 6. Знакомство с графовыми сверточными нейронными сетями.
Технические требования.
Создание сверточного слоя графа.
Сравнение сверточных и линейных слоев графа.
Прогнозирование веб-трафика с помощью регрессии узлов.
Выводы.
Дополнительное чтение.
Глава 7. Графовые нейронные сети с механизмом внимания.
Технические требования.
Знакомство со слоем внимания графа.
Линейное преобразование.
Функция активации.
Нормализация с помощью softmax.
Многоголовое внимание.
Улучшенный слой внимания графа.
Реализация слоя внимания графа в NumPy.
Реализация GAT в PyTorch Geometric.
Выводы.
Часть III. ПРОДВИНУТЫЕ МЕТОДЫ.
Глава 8. Масштабирование графовых нейронных сетей с помощью GraphSAGE.
Технические требования.
Знакомство с GraphSAGE.
Семплирование соседей.
Агрегация.
Классификация узлов на примере набора данных PubMed.
Индуктивное обучение на белок-белковых взаимодействиях.
Выводы.
Дополнительное чтение.
Глава 9. Определение выразительности для классификации графов.
Технические требования.
Определение выразительности.
Знакомство с графовой сетью изоморфизма.
Классификация графов с помощью графовой сети изоморфизма.
Классификация графов.
Реализация графовой сети изоморфизма (GIN).
Выводы.
Дополнительное чтение.
Глава 10. Прогнозирование связей с помощью графовых нейронных сетей.
Технические требования.
Прогнозирование связей с помощью традиционных методов.
Эвристические методы.
Матричная факторизация.
Прогнозирование связей с помощью эмбеддингов узлов.
Знакомство с графовыми автоэнкодерами.
Знакомство с вариационными графовыми автоэнкодерами.
Реализация VGAE.
Прогнозирование связей с помощью SEAL.
Знакомство с фреймворком SEAL.
Реализация фреймворка SEAL.
Выводы.
Дополнительное чтение.
Глава 11. Генерация графов с помощью графовых нейронных сетей.
Технические требования.
Генерация графов с помощью традиционных методов.
Модель Эрдеша–Реньи.
Модель «малого мира».
Генерация графов с помощью графовых нейронных сейтей.
Вариационные графовые автоэнкодеры.
Авторегрессионные модели.
Генеративные состязательные сети (GAN).
Генерация молекул с помощью MolGAN.
Выводы.
Дополнительное чтение.
Глава 12. Обучение на гетерогенных графах.
Технические требования.
Нейронная сеть передачи сообщений.
Знакомство с гетерогенными графами.
Преобразование гомогенных GNN в гетерогенные GNN.
Реализация иерархической нейронной сети с самовниманием.
Выводы.
Дополнительное чтение.
Глава 13. Темпоральные графовые нейронные сети.
Технические требования.
Знакомство с динамическими графами.
Прогнозирование веб-трафика.
Знакомство с EvolveGCN.
Реализация EvolveGCN.
Прогнозирование случаев COVID-19.
Знакомство с MPNN-LSTM.
Реализация MPNN-LSTM.
Выводы.
Дополнительное чтение.
Глава 14. Интерпретация графовых нейронных сетей.
Технические требования.
Знакомство с методами интерпретации.
Интерпретация графовых нейронных сетей с помощью GNNExplainer.
Знакомство с GNNExplainer.
Реализация GNNExplainer.
Интерпретация графовых нейронных сетей с помощью Captum.
Знакомство с Captum и методом интегрированных градиентов.
Реализация метода интегрированных градиентов.
Выводы.
Дополнительное чтение.
Часть IV. ЗАДАЧИ.
Глава 15. Прогнозирование трафика с помощью A3T-GCN.
Технические требования.
Исследование набора данных PeMS-M.
Обработка набора данных.
Реализация архитектуры A3T-GCN.
Выводы.
Дополнительное чтение.
Глава 16. Построение рекомендательной системы с помощью LightGCN.
Технические требования.
Исследование набора данных Book-Crossing.
Предварительная обработка набора данных Book-Crossing.
Реализация архитектуры LightGCN.
Выводы.
Дополнительное чтение.
Глава 17. Обнаружение аномалий с помощью гетерогенных графовых нейронных сетей.
Технические требования.
Исследование набора данных CIDDS-001.
Предварительная обработка набора данных CIDDS-001.
Реализация гетерогенной GNN.
Выводы.
Дополнительное чтение.
Глава 18. Раскрытие потенциала графовых нейронных сетей в реальных задачах.
Предметный указатель.


Ниже можно купить эту книгу, если она есть в продаже, и похожие книги по лучшей цене со скидкой с доставкой по всей России.Купить книги


Купить .



Хештеги: #учебник по программированию :: #программирование :: #Лабонн :: #Груздев :: #нейросеть :: #графы