کتاب شبکه های عصبی گرافی

کتاب شبکه های عصبی گرافی (یادگیری بازنمایی گراف با رویکرد شبکه‌های عصبی) نوشته زهرا بریری، مسئله‌ی یادگیری از داده‌هایی را بررسی می‌کند که روابط میان اجزای آن‌ها به‌اندازه‌ی ویژگی‌های خود اجزا اهمیت دارد. نویسنده توضیح می‌دهد که چگونه می‌توان گره‌های یک گراف را به بردارهایی تبدیل کرد که برای پیش‌بینی و طبقه‌بندی مناسب باشند. بحث از مبانی ریاضی آغاز می‌شود و به معماری‌های پیچشی و توجه گرافی می‌رسد. انتشارات گیوا این کتاب را با نظارت علمی علی معینی و روح‌اله عابدیان منتشر کرده است. نسخه‌ی الکترونیکی این اثر را می‌توانید از طاقچه خرید و دانلود کنید.

درباره کتاب شبکه های عصبی گرافی

کتاب شبکه های عصبی گرافی نوشته زهرا بریری، یادگیری بازنمایی را در پیوند با ساختار شبکه بررسی کرده است. مسئله‌ی اصلی، تبدیل اطلاعات گره‌ها و ارتباط‌های میان آن‌ها به بردارهایی است که مدل‌های یادگیری ماشین بتوانند از آن‌ها استفاده کنند. نویسنده میان روش‌های متکی بر ساختار گراف و شبکه‌هایی که ویژگی‌های گره‌ها را نیز در امتداد ارتباط‌ها منتشر می‌کنند، تمایز می‌گذارد. توضیح مفاهیم در این کتاب ماهیتی ریاضی و فنی دارد؛ تعریف‌ها، قضیه‌ها، مثال‌ها و صورت‌بندی‌های محاسباتی بخش مهمی از مطالب را تشکیل می‌دهند. هفت فصل کتاب از «مقدمه و کلیات» شروع می‌شود و مباحثی مانند «تقریب با چندجمله‌ای‌های متعامد»، «نظریه گراف» و «یادگیری بازنمایی گره‌ها در گراف» را در بر می‌گیرد. مباحث فضای برداری، ضرب داخلی، نرم، فاصله و تعامد نیز پیش از ورود به بحث‌های تخصصی‌تر آمده‌اند. این ترتیب نشان می‌دهد که موضوع صرفاً معرفی چند مدل نیست؛ مبانی ریاضی لازم برای دنبال‌کردن محاسبات نیز جای مشخصی در توضیحات دارند.
کتاب شبکه های عصبی گرافی در ادامه، ارتباط میان نظریه‌ی طیفی گراف، تبدیل فوریه و تعریف پیچش روی سیگنال‌های گرافی را توضیح می‌دهد. این مباحث زمینه‌ی ورود به شبکه‌های پیچشی را فراهم می‌کنند. فصل‌های بعدی به چارچوب شبکه‌های عصبی گرافی، آموزش این شبکه‌ها، معماری‌های توجه و لایه‌های ادغام اختصاص دارند. ادغام مسطح و سلسله‌مراتبی، مسئله‌ی هموارسازی بیش‌ازحد، یادگیری انتقالی و مجموعه‌داده‌های طبقه‌بندی گره و گراف نیز در فهرست مباحث جای گرفته‌اند. بخش بازنمایی گره‌ها، نقش رمزگذار و رمزگشا، تعریف شباهت، قدم‌زدن تصادفی و نمونه‌برداری منفی را دنبال می‌کند. نویسنده از این مسیر نشان می‌دهد که انتخاب معیار شباهت چگونه بر بازنمایی حاصل اثر می‌گذارد و چرا هزینه‌ی محاسباتی در طراحی روش اهمیت دارد. مقدمه همچنین از وجود کدهای نمونه‌ی مدل‌ها در یک مخزن عمومی گیت‌هاب خبر می‌دهد تا مطالعه‌ی مباحث نظری امکان همراه‌شدن با اجرای مدل‌ها را داشته باشد. محتوای تخصصی این کتاب برای مطالعه‌ی دقیق، آشنایی با مفاهیم ریاضی و یادگیری ماشین را می‌طلبد.

خلاصه کتاب شبکه های عصبی گرافی

کتاب شبکه های عصبی گرافی مسئله‌ی اصلی خود را از یک نیاز مشخص می‌گیرد: مدل یادگیری ماشین چگونه می‌تواند هم اطلاعات هر گره و هم جایگاه آن گره در شبکه را در نظر بگیرد؟ پاسخ، یادگیری بردارهای بازنمایی است؛ بردارهایی که شباهت‌های معنادار شبکه را در فضای عددی منعکس کنند. روش‌های ابتدایی برای هر گره یک بردار مستقل در نظر می‌گیرند اما افزایش تعداد گره‌ها هزینه‌ی محاسباتی را بالا می‌برد. روش‌های مبتنی بر قدم‌زدن تصادفی، اطلاعات همسایگی را از مسیرهای پیموده‌شده استخراج می‌کنند. شبکه‌های عصبی گرافی نیز ویژگی‌های گره‌ها و ساختار اتصال‌ها را در یادگیری دخالت می‌دهند. دغدغه‌ی محوری، ساختن بازنمایی‌هایی مناسب برای وظایفی مانند پیش‌بینی یال، تشخیص ناهنجاری و طبقه‌بندی است؛ بازنمایی‌هایی که رابطه‌ی میان اجزای داده را کنار نگذارند.

چرا باید کتاب شبکه های عصبی گرافی را بخوانیم؟

دلایل خواندن کتاب شبکه های عصبی گرافی را می‌توان این‌طور خلاصه کرد:

• مبانی فضای برداری و نظریه‌ی طیفی، زمینه‌ی فهم محاسبات شبکه‌های گرافی را فراهم می‌کنند.
• بحث معیارهای شباهت، منطق تبدیل گره‌ها به بردارهای ویژگی را روشن می‌کند.
• معرفی معماری‌های پیچشی، توجه و ادغام، شناخت اجزای مدل‌ها را گسترش می‌دهد.
• بررسی هموارسازی بیش‌ازحد، یکی از دشواری‌های ساخت شبکه را مطرح می‌کند.

خواندن این کتاب را به چه کسانی پیشنهاد می‌کنیم؟

کتاب شبکه های عصبی گرافی به این گروه‌ها پیشنهاد می‌شود:

• دانشجویان هوش مصنوعی که مبانی ریاضی یادگیری گراف را دنبال می‌کنند.
• پژوهشگران یادگیری ماشین که به بازنمایی گره‌ها علاقه دارند.
• مهندسانی که برای تحلیل داده‌های رابطه‌مند به شناخت معماری‌های گرافی نیاز دارند.