کتاب یادگیری بازنمایی گراف

کتاب یادگیری بازنمایی گراف نوشته‌ی ویلیام ل. همیلتون با ترجمه‌ی بهزاد زمانی دهکردی و رشید ریاحی به‌وسیله‌ی انتشارات دانشگاه آزاد اسلامی واحد شهرکرد منتشر شده است. این کتاب به موضوع مدل‌سازی و تحلیل داده‌های گرافی با استفاده از یادگیری ماشین و به‌ویژه روش‌های عمیق می‌پردازد و از مفاهیم پایه‌ی گراف تا شبکه‌های عصبی گراف و مدل‌های مولد را پوشش می‌دهد. ساختار اثر از مبانی نظری شروع می‌شود و به سمت مدل‌های پیشرفته و کاربردی حرکت می‌کند. نسخه‌ی الکترونیکی این اثر را می‌توانید از طاقچه خرید و دانلود کنید.

درباره کتاب یادگیری بازنمایی گراف

کتاب یادگیری بازنمایی گراف اثری است که به‌صورت مرحله‌به‌مرحله خواننده را از مفاهیم پایه‌ی گراف تا مدل‌های پیشرفته‌ی یادگیری عمیق روی ساختارهای گرافی همراهی می‌کند. ویلیام ل. همیلتون در پیشگفتار توضیح داده است که چگونه این حوزه در چند سال رشد کرده و از چند ایده‌ی اولیه درباره‌ی جاسازی گره‌ها به زیرحوزه‌ای گسترده در یادگیری عمیق تبدیل شده است. در همان ابتدا تأکید شده که مخاطبان اصلی اثر دانشجویان تحصیلات تکمیلی و پژوهشگران یادگیری ماشین و هوش مصنوعی هستند که آشنایی مقدماتی با شبکه‌های عصبی کانولوشنی و بازگشتی دارند. کتاب یادگیری بازنمایی گراف در چند قسمت اصلی تنظیم شده است. در فصل‌های آغازین، مفاهیم پایه‌ای مانند تعریف رسمی گراف، گراف‌های چندرابطه‌ای، گراف‌های ناهمگن و چندلایه، ماتریس مجاورت، ویژگی‌های گره و لبه و نقش اطلاعات ویژگی در سطح گره و گراف توضیح داده شده است. سپس در ادامه‌ی کتاب یادگیری بازنمایی گراف انواع مسائل یادگیری ماشین روی گراف‌ها مانند طبقه‌بندی گره، پیش‌بینی رابطه، خوشه‌بندی و تشخیص انجمن و نیز طبقه‌بندی و رگرسیون در سطح گراف معرفی شده‌اند و تفاوت آن‌ها با صورت‌بندی‌های کلاسیک باناظر، بدون‌ناظر و نیمه‌نظارتی روشن شده است. در بخش بعدی کتاب یادگیری بازنمایی گراف به پیش‌زمینه و رویکردهای سنتی پرداخته شده است: آمارهای گراف، ویژگی‌های سطح گره مانند درجه، انواع مرکزیت، ضریب خوشه‌بندی و مثلث‌های بسته، گرافلت‌ها، روش‌های هسته‌ی گراف، و معیارهای همپوشانی همسایگی برای پیش‌بینی رابطه (از شاخص جاکارد تا شاخص کاتز و روش‌های مبتنی بر قدم‌زدن تصادفی). سپس لاپلاسین گراف، روش‌های طیفی و خوشه‌بندی طیفی معرفی شده‌اند. در قسمت‌های بعدی کتاب یادگیری بازنمایی گراف شبکه‌های عصبی گراف، چارچوب ارسال پیام، تعمیم تجمیع همسایگی، توجه همسایگی، به‌روزرسانی‌های تعمیم‌یافته، گراف‌های چندرابطه‌ای، و در نهایت مدل‌های مولد عمیق برای تولید گراف و ارزیابی آن‌ها مطرح شده است.

خلاصه کتاب یادگیری بازنمایی گراف

کتاب یادگیری بازنمایی گراف بر این ایده استوار است که گراف‌ها زبان مشترک توصیف بسیاری از سیستم‌های پیچیده‌اند و یادگیری ماشین می‌تواند از این ساختار برای مدل‌سازی و پیش‌بینی استفاده کند. نویسنده ابتدا گراف را به‌عنوان مجموعه‌ای از گره‌ها و لبه‌ها تعریف می‌کند و انواع گراف‌های جهت‌دار، وزن‌دار، چندرابطه‌ای، ناهمگن و چندلایه را توضیح می‌دهد. سپس مسائل اصلی یادگیری روی گراف مانند طبقه‌بندی گره، پیش‌بینی رابطه، تشخیص انجمن و طبقه‌بندی گراف را صورت‌بندی می‌کند و نشان می‌دهد چرا فرض استقلال نمونه‌ها در این فضا برقرار نیست. در ادامه، کتاب یادگیری بازنمایی گراف از آمارهای کلاسیک گراف و روش‌های هسته‌ای شروع می‌کند و به‌تدریج به سمت جاسازی‌های گره، روش‌های مبتنی بر قدم‌زدن تصادفی و فاکتورسازی ماتریس می‌رود. سپس چارچوب شبکه‌های عصبی گراف و ارسال پیام را معرفی می‌کند، انواع طرح‌های تجمیع و نرمال‌سازی همسایگی را بررسی می‌کند و ارتباط این مدل‌ها را با نظریه طیفی، تبدیل فوریه روی گراف و هم‌ریختی گراف نشان می‌دهد. در پایان نیز مدل‌های مولد عمیق برای تولید گراف و چالش‌های ارزیابی آن‌ها مطرح شده است.

چرا باید کتاب یادگیری بازنمایی گراف را بخوانیم؟

این کتاب تصویری یکپارچه از طیف روش‌های یادگیری روی گراف ارائه کرده است؛ از آمارهای کلاسیک و هسته‌های گراف تا شبکه‌های عصبی گراف و مدل‌های مولد عمیق. خواننده با مفاهیم نظری مانند لاپلاسین گراف، هم‌ریختی و دیدگاه طیفی آشنا می‌شود و هم‌زمان می‌بیند این مفاهیم چگونه در طبقه‌بندی گره، پیش‌بینی رابطه و مدل‌سازی مولکول‌ها به کار می‌روند.

خواندن این کتاب را به چه کسانی پیشنهاد می‌کنیم؟

مطالعه‌ی این کتاب به دانشجویان و پژوهشگران یادگیری ماشین، هوش مصنوعی و علوم داده پیشنهاد می‌شود که با مفاهیم پایه‌ی شبکه‌های عصبی آشنا هستند و می‌خواهند روی داده‌های گرافی کار کنند. همچنین به کسانی پیشنهاد می‌شود که در حوزه‌هایی مانند شبکه‌های اجتماعی، زیست‌محاسباتی یا تحلیل شبکه‌های پیچیده پژوهش انجام می‌دهند.