内容紹介
深層学習でネットワークを解析する世界最前線の研究を1冊で学ぶ！
深層学習をグラフ（ネットワーク）で表される構造データに対して適用するための研究が盛んになっています。それが、本書で解説するグラフニューラルネットワークです。グラフ中の頂点やグラフ全体を高精度に分類できれば、高度な画像認識、推薦システム、交通量予測、化合物分類、さらには新型コロナウイルス（COVID-19）への対処のための応用なども期待できる、世界最前線の研究です。
本書では、グラフニューラルネットワークの基本的な知識および研究事例について説明し、PyTorchによる実装について紹介するとともに、今後の学習のための情報源についても解説します。Google Colaboratoryで解説するとともに、サンプルコードもついています。
このような方におすすめ
◎深層学習の新たな分野を探している大学研究者
◎企業に勤める深層学習関係の技術者、大学生、大学院生
目次
主要目次
まえがき
第1章 グラフニューラルネットワークとは
第2章 グラフエンベディング
第3章 グラフにおける畳み込み
第4章 関連トピック
第5章 実装のための準備
第6章 PyTorch Geometricによる実装
第7章 今後の学習に向けて
おわりに
詳細目次
まえがき
第1章 グラフニューラルネットワークとは
1.1 はじめに
1.2 グラフを対象とした畳み込み
1.3 グラフを対象とした機械学習タスク
1.3.1 ノード分類
1.3.2 グラフ分類
1.3.3 リンク予測
1.3.4 グラフ生成
1.4 グラフニューラルネットワークの応用
1.4.1 画像認識
1.4.2 推薦システム
1.4.3 交通量予測
1.4.4 化合物分類
1.4.5 組み合わせ最適化
1.4.6 COVID-19とグラフニューラルネットワーク
まとめ
第2章 グラフエンベディング
2.1 グラフエンベディング手法の概観
2.2 次元縮約に基づく手法
2.3 グラフ構造に基づく手法
2.3.1 DeepWalk
2.3.2 LINE
2.3.3 node2vec
2.3.4 GraRep
2.4 ニューラルネットワークに基づく手法
まとめ
第3章 グラフにおける畳み込み
3.1 グラフ畳み込みにおけるアプローチ
3.2 Spectral Graph Convolution
3.2.1 フーリエ変換
3.2.2 グラフラプラシアン
3.2.3 ChebNet
3.2.4 GCN
3.3 Spatial Graph Convolution
3.3.1 PATCHY-SAN
3.3.2 DCNN
3.3.3 GraphSAGE
まとめ
第4章 関連トピック
4.1 グラフオートエンコーダ
4.2 GAT
4.3 SGC
4.4 GIN
4.5 敵対的攻撃
4.6 動的グラフのエンベディング
4.7 時空間グラフ畳み込みネットワーク
4.8 説明可能性
まとめ
第5章 実装のための準備
5.1 Python
5.2 NumPy
5.3 SciPy
5.4 pandas
5.5 Matplotlib
5.6 seaborn
5.7 Scikit-learn
5.8 t-SNE
5.9 Jupyter Notebook
5.10 Google Colaboratory
まとめ
第6章 PyTorch Geometricによる実装
6.1 PyTorch
6.1.1 データセット
6.1.2 モデル
6.1.3 損失
6.1.4 最適化
6.2 PyTorch Geometric入門
6.2.1 PyTorh Geometricとは
6.2.2 類似ライブラリとの比較
6.2.3 PyTorch Geometricによるグラフのデータ構造
6.2.4 よく使われるベンチマークデータセット
6.2.5 ミニバッチ
6.2.6 データ変換
6.2.7 グラフの学習手法
6.3 PyTorch Geometricによるノード分類・グラフ分類
6.3.1 PyTorch Geometricによるエンベディング
6.3.2 PyTorch Geometricによるノード分類
6.3.3 PyTorch Geometricによるグラフ分類
まとめ
第7章 今後の学習に向けて
7.1 書籍
7.2 サーベイ論文
7.3 動画
7.4 リンク集など
7.5 Open Graph Benchmark
まとめ
おわりに
参考文献
索引
続きを見る