现在来自密西根州立大学的汤继良团队即将出版一本全面性介绍图深度学习的书：《Deep Learning on Graphs》。
本书全面介绍了图深度学习的理论基础、模型方法及实际应用。全书分为4 篇，共15 章。第1 篇为基础理论，重点介绍图和深度学习的基础知识，包括图的关键概念和属性、各种基础的神经网络模型、训练深度学习模型的关键方法以及防止训练过程中过度拟合的实用技术；第2 篇为模型方法，涵盖了从基本设置到高级设置的成熟的图深度学习方法，包括图嵌入、图过滤和池化操作、图对抗攻击和图对抗防御技术、可扩展性图神经网络的代表性技术以及图神经网络之外的众多图深度模型；第3 篇为实际应用，重点介绍了具有代表性的实际应用，包括自然语言处理、计算机视觉、数据挖掘、生物化学与医疗健康等；第4 篇为前沿进展，介绍了有可能成为将来研究热点的高级方法和应用，主要从表达性、深度、公平性、可解释性和自监督学习等内容。在组织结构方面，每章首先介绍写作动机，然后通过具体示例或技术细节介绍相应内容，最后提供更多的扩展阅读知识。本书既适合对数据挖掘、机器学习和社交网络分析感兴趣的本科生和研究生阅读，也适合企业开发者和项目经理阅读。对于没有计算机科学背景，但想要应用图神经网络来推进其所在学科发展的研究人员，本书同样是一本值得参考的读物。
全书概要
图（Graphs）描述了实体之间的两两关系，是社会科学、语言学、化学、逻辑学和物理学等许多不同领域中真实数据的基本表示方法。许多现实问题可以通过解决图上的计算任务来解决。例如，推断节点的属性、检测异常节点（例如垃圾邮件发送者或恐怖分子）、识别与疾病相关的基因以及向患者推荐药物，都可以归结为节点分类问题。
为了更好的解决这些图上的计算任务，学习好的图的表示尤为关键。近些年来，图深度学习，尤其是图神经网络算法展现了极强的学习图的表示的能力，并且促进了许多图上的计算任务的发展。本课程将介绍图深度学习的基础理论与前沿应用。
为了最好地适应具有不同背景和阅读目的的读者，该书由四个部分组成。第1部分介绍了基本概念；第2部分讨论了该领域最成熟的方法；第3部分介绍了最具代表性的实际应用，而第4部分介绍了有可能成为将来研究热点的高级方法和应用。每部分的内容如下：在该部分的章节重点介绍图和深度学习的基础知识，这些基础将为图的深度学习奠定基础。在第1章中，介绍了图的关键概念和属性，图傅里叶变换，图形信号处理，并正式定义了各种类型的复杂图和在图上的计算任务。在第2章中，讨论了各种最基础的神经网络模型，训练深度模型的关键方法以及防止训练过程中过度拟合的实用技术。这些章节涵盖了从基本设置到高级设置的最成熟的图深度学习方法。在第3章中，从信息保存的角度介绍了一种通用的图嵌入框架，提供了有关在图像上保留多种类型信息的代表性算法的技术细节，并介绍了专门为复杂形设计的嵌入方法。典型的图神经网络模型包括两个重要操作，即图过滤操作和图池化操作。在第4章中，回顾了最新的图过滤和池化操作，并讨论了如何在给定下游任务的时学习GNN参数。GNNs是传统深度模型在图上的泛化，因此它们继承了传统深度模型的缺点，容易受到对抗攻击。在第5章中，重点介绍图对抗攻击的概念和定义，并详细介绍了具有代表性的对抗攻击和防御技术。GNN执行跨层邻域的递归扩展。单个节点邻域的扩展会迅速涉及图的很大一部分甚至整个图。因此，可扩展性是GNN需要解决的紧迫问题。在6章中详细介绍了用于可扩展性GNN的代表性技术。在第7章中，讨论了为更复杂的图设计的GNN模型。为了使深度学习技术能够在更广泛的设置下推进更多的图应用，在第8中介绍了GNN之外的众多图深度模型。
图提供了真实数据的通用表示方法；因此，在图深度学习方法已应用于各个领域。在这部分的章节中，将介绍了GNN的最具代表性的应用，包括第9章中的自然语言处理，第10章中的计算机视觉，第11章中的数据挖掘和第12章中的生物化学与医疗保健。在该部分章节中，重点介绍方法和实际应用方面的最新进展。在13章中，从表达性，深度，公平性，可解释性和自我监督学习方面介绍了高级GNNs。在第14中，讨论了GNN应用的更多领域，包括组合优化，物理，程序表示， 和计算机网络。英文书预印本免费下载链接如下。大家可以订阅该书。订阅者会自动推送关于该书的最新信息包括针对该书的中英文版的幻灯片和教程视频。同时欢迎大家提供反馈。英文书：http://cse.msu.edu/~mayao4/dlg_book/汤继良，密西根州立大学助理教授。在这之前，他曾担任雅虎研究院研究员，于2015年从亚利桑那州立大学取得博士学位。他在图特征选择、图表征学习、图深度学习以及它们在互联网和社交媒体上的应用方面做出了杰出贡献。
他曾经获得 SIGKDD新星奖（Rising Star Award）、Withrow杰出研究奖（Distinguished Withrow Research Award）、美国自然科学基金杰出青年奖（NSF Career Award）、IJCAI早期焦点人物演讲（IJCAI Early Career Talk）和包括KDD、WSDM等在内的7项领域知名会议的最佳（或提名）论文奖。他的博士论文获得SIGKDD最佳博士论文（KDD Best Dissertation）亚军和院长优秀博士论文奖（Dean’s Dissertation Award）。他是SIAM数据分析小组和ACM TKDD期刊的秘书长。他经常当任数据挖掘顶级会议的组织者和顶级期刊的编委。他的研究成果发表在领域顶级的期刊和会议上，现已获得了超过14,000多次的引用（H指数为60）和媒体的广泛关注和报道。
马 耀
密歇根州立大学博士研究生。他将于2021年秋季学期作为助理教授加入新泽西理工学院。他是密歇根州立大学杰出博士生奖以及FAST Fellowship的获奖者。他的研究兴趣包括网络嵌入和图神经网络。他的论文多次发表在KDD、WWW、IJCAI、SIGIR和TKDE等数据挖掘顶级会议和期刊上。他在众多知名会议（如ICML、 KDD、 AAAI和IJCAI等）以及杂志（如TKDD、TKDE和TPAMI等）担任程序委员会委员以及审稿人。他是AAAI图神经网络和KDD图深度学习教学讲座的第一组织者和演讲者，这些教学讲座都获得了领域内外的巨大关注和广泛好评。
专知便捷查看
便捷下载，请关注专知公众号（点击上方蓝色专知关注）
专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！点击“阅读原文”，了解使用专知，查看获取5000+AI主题知识资源
