Details zum E-Book

Grafowe sieci neuronowe. Teoria i praktyka

Grafowe sieci neuronowe. Teoria i praktyka

Filip Wójcik

E-BOOK
Kaufen Sie ein Werk auf ebookpoint.pl

Cicha rewolucja, która nadeszła

Grafowe sieci neuronowe (ang. graph neural networks, GNN) to klasa modeli uczenia głębokiego przeznaczona do analizy danych o strukturze grafowej. W początkowym okresie ich rozwój ograniczał brak efektywnych metod projektowania i optymalizacji; w ostatnich latach bariery te w dużej mierze zostały pokonane, co przełożyło się na dynamiczny postęp teorii i praktyki. Modele GNN znajdują zastosowanie między innymi w analizie sieci społecznościowych, optymalizacji procesów logistycznych, marketingu i pracy z bazami wiedzy.

Ta książka zawiera kompleksowe opracowanie tematyki sieci grafowych w kontekście uczenia maszynowego. Tym samym wypełnia istotną lukę na polskim rynku wydawniczym, oferując połączenie solidnych podstaw teoretycznych z praktycznym zastosowaniem GNN. To przewodnik, który systematycznie przeprowadza przez kolejne zagadnienia związane z sieciami grafowymi:

  • od narzędzi klasycznej analizy grafów w środowisku Pythona i wybranych zagadnień teorii grafów
  • przez wprowadzenie do grafowych sieci neuronowych, a także przegląd wybranych warstw splotu grafowego i dobrych praktyk ich projektowania
  • po zagadnienia związane ze szkoleniem sieci GNN i praktyczne przykłady ich zastosowań
Wstęp

Notacja i oznaczenia

Rozdział 1. Narzędzia analizy grafów w środowisku Pythona

  • 1.1. Biblioteki do klasycznej analizy grafów
  • 1.2. Grafowe bazy danych
  • 1.3. Biblioteki do budowania grafowych sieci neuronowych
    • 1.3.1. PyTorch Geometric
    • 1.3.2. Deep Graph Library
    • 1.3.3. Porównanie bibliotek

Rozdział 2. Wybrane zagadnienia teorii grafów

  • 2.1. Podstawowe definicje i oznaczenia
  • 2.2. Reprezentacja grafów i sąsiedztwa
    • 2.2.1. Macierze sąsiedztwa
    • 2.2.2. Listy sąsiedztwa
  • 2.3. Liczbowe własności wierzchołków i grafów
    • 2.3.1. Miary centralności wierzchołków
    • 2.3.2. Numeryczna reprezentacja grafu
    • 2.3.3. Problem izomorfizmu grafów i test Weisfeilera-Lehmana
  • 2.4. Grafy heterogeniczne
    • 2.4.1. Podstawowe pojęcia
    • 2.4.2. Reprezentacja grafów heterogenicznych

Rozdział 3. Grafowe sieci neuronowe GNN - wprowadzenie

  • 3.1. Zadania realizowane przez sieci GNN
  • 3.2. Podstawowe zasady działania sieci GNN
  • 3.3. Model przekazywania wiadomości - MPNN
  • 3.4. Implementacja modelu MPNN w PyG
  • 3.5. Modele MPNN jako część większej sieci

Rozdział 4. Przegląd wybranych warstw splotu grafowego

  • 4.1. Splot GNN
    • 4.1.1. Formalizacja i działanie
    • 4.1.2. Implementacja
    • 4.1.3. Podsumowanie
  • 4.2. Splot GCN
    • 4.2.1. Formalizacja i działanie
    • 4.2.2. Implementacja
    • 4.2.3. Podsumowanie
  • 4.3. Splot SAGE
    • 4.3.1. Formalizacja i działanie
    • 4.3.2. Implementacja
    • 4.3.3. Podsumowanie
  • 4.4. Splot GAT
    • 4.4.1. Formalizacja i działanie
    • 4.4.2. Implementacja
    • 4.4.3. Podsumowanie
  • 4.5. Splot GIN
    • 4.5.1. Formalizacja i działanie
    • 4.5.2. Implementacja
    • 4.5.3. Podsumowanie
  • 4.6. Warstwy splotu dla grafów heterogenicznych
  • 4.7. Podsumowanie omówionych warstw splotu

Rozdział 5. Wybrane zagadnienia procesu szkolenia sieci grafowych

  • 5.1. Podział danych grafowych na treningowe, walidacyjne i testowe
    • 5.1.1. Indukcja i transdukcja
    • 5.1.2. Podziały wierzchołków
    • 5.1.3. Podziały krawędzi
    • 5.1.4. Podziały grafów
  • 5.2. Proces szkolenia na dużych zbiorach danych
    • 5.2.1. Próbkowanie w oparciu o sąsiedztwo
    • 5.2.2. Próbkowanie w oparciu o społeczności
    • 5.2.3. Podsumowanie procesu szkolenia
  • 5.3. Trudności i wyzwania w uczeniu warstw splotu grafowego
    • 5.3.1. Problem nadmiernego wygładzania
    • 5.3.2. Ograniczenie testem Weisfeilera-Lehmana
  • 5.4. Dodatkowe modyfikacje warstw splotu usprawniające proces predykcji
    • 5.4.1. Network in graph neural network
    • 5.4.2. Agregacje wielokrotne
    • 5.4.3. Mechanizm połączeń skokowych
    • 5.4.4. Porównanie wyników przy zastosowaniu rozszerzeń

Rozdział 6. Przykłady zastosowań grafowych sieci neuronowych

  • 6.1. Klasyfikacja wierzchołków
    • 6.1.1. Postać formalna
    • 6.1.2. Znaczenie problemu i zastosowania
    • 6.1.3. Klasyfikacja tematyczna stron na Facebooku
  • 6.2. Klasyfikacja krawędzi
    • 6.2.1. Postać formalna
    • 6.2.2. Znaczenie problemu i zastosowania
    • 6.2.3. Badanie oddziaływania pomiędzy lekami - klasyfikacja krawędzi
  • 6.3. Klasyfikacja grafów
    • 6.3.1. Postać formalna
    • 6.3.2. Znaczenie problemu i zastosowania
    • 6.3.3. Badania toksyczności cząsteczek - klasyfikacja grafów
  • 6.4. Systemy rekomendacyjne
    • 6.4.1. Postać formalna
    • 6.4.2. Znaczenie problemu i zastosowania
    • 6.4.3. Rekomendacje filmów MovieLens

Zakończenie

Bibliografia

Skorowidz

  • Titel:Grafowe sieci neuronowe. Teoria i praktyka
  • Autor:Filip Wójcik
  • ISBN:978-83-289-3835-9, 9788328938359
  • Veröffentlichungsdatum:2026-02-17
  • Format:E-Book
  • Artikel-ID: siegra
  • Verleger: Helion Wydawnictwo Naukowe