1장. 서론
1.1 동기
1.1.1 합성곱 신경망
1.1.2 네트워크 임베딩
1.2 관련 연구
2장. 수학 및 그래프 기초
2.1 선형대수학
2.1.1 기본 개념
2.1.2 고유분해
2.1.3 특잇값 분해
2.2 확률
2.2.1 기본 개념과 공식
2.2.2 확률분포
2.3 그래프 이론
2.3.1 기본 개념
2.3.2 그래프의 대수적 표현
3장. 신경망 기초
3.1 뉴런
3.2 역전파
3.3 신경망
4장. 기본 그래프 신경망
4.1 서론
4.2 모델
4.3 한계
5장. 그래프 합성곱 네트워크
5.1 스펙트럼 방법
5.1.1 스펙트럼 네트워크
5.1.2 ChebNet
5.1.3 GCN
5.1.4 AGCN
5.2 공간 방법
5.2.1 뉴럴 FPS
5.2.2 PATCHY-SAN
5.2.3 DCNN
5.2.4 DGCN
5.2.5 LGCN
5.2.6 MoNet
5.2.7 GraphSAGE
6장. 그래프 순환 네트워크
6.1 게이트 그래프 신경망
6.2 Tree-LSTM
6.3 그래프 LSTM
6.4 S-LSTM
7장. 그래프 어텐션 네트워크
7.1 GAT
7.2 GaAN
8장. 그래프 잔차 네트워크
8.1 하이웨이 GCN
8.2 지식 점프 네트워크
8.3 DeepGCNs
9장. 다양한 그래프 종류
9.1 유향 그래프
9.2 이종 그래프
9.3 에지 정보가 있는 그래프
9.4 동적 그래프
9.5 다차원 그래프
10장. 고급 학습 방법
10.1 샘플링
10.2 계층적 풀링
10.3 데이터 증강
10.4 비지도 학습
11장. 일반적인 프레임워크
11.1 메시지 전달 신경망
11.2 비지역 신경망
11.3 그래프 네트워크
12장. 응용: 구조 시나리오
12.1 물리
12.2 화학과 생물
12.2.1 분자 핑거프린트
12.2.2 화학 반응 예측
12.2.3 약물 추천
12.2.
○즈위안 리우(지은이의 말
딥러닝은 컴퓨터 비전, 자연어 처리 등 많은 분야에서 유망한 발전을 이뤘다. 이런 작업에서 사용되는 데이터는 일반적으로 유클리드 영역에서 표현된다. 하지만 물리적 시스템 모델링, 분자 핑거프린트 학습, 단백질 인터페이스 예측 등 원소 간의 풍부한 관계 정보를 포함하는 비유클리드 그래프 데이터를 다루는 작업들도 많다. 그래프 신경망(GNN, Graph Neural Network은 그래프에서 작동하는 딥러닝 기반 방법이다. 믿을 만한 성능과 높은 해석 가능성 때문에 그래프 신경망은 최근 널리 적용되는 그래프 분석 방법이다.
이 책은 그래프 신경망의 기본 개념과 모델, 응용 분야를 포괄적으로 다룬다. 수학과 신경망의 기초부터 시작한다. 1장에서는 독자에게 일반적인 개요를 제공하기 위해 GNN의 기본 개념을 소개한다. 그 후 그래프 합성곱 네트워크, 그래프 순환 네트워크, 그래프 어텐션 네트워크, 그래프 잔차 네트워크, 몇 가지 일반적인 프레임워크 등 GNN의 여러 가지 변형을 소개한다. 이 변형들은 합성곱 신경망, 순환 신경망, 어텐션 메커니즘, 스킵 커넥션 등 딥러닝 기술을 그래프로 일반화한다. 더 나아가 구조적 시나리오(물리학, 화학, 지식 그래프, 비구조적 시나리오(이미지, 텍스트, 그 외 시나리오(생성 모델, 조합적 최적화 등 다양한 분야에 적용할 수 있는 GNN을 소개한다. 마지막으로 관련된 데이터셋, 오픈소스 플랫폼, GNN의 구현을 알려준다.
○역자후기
그래프 신경망은 2017년, 2018년부터 활발하게 연구됐으며 지금도 많은 사람이 한계를 극복하고자 많은 시도와 노력을 하고 있습니다. 다양한 분야에서 놀라운 성능을 보여주고 있으며, 특히 그래프 신경망으로 향기, 교통량 등을 예측할 수 있다는 논문들은 신선한 충격으로 다가왔습니다. 그래프 신경망은 논문에서만 이뤄지는 연구가 아니라 핀터레스트, 우버, 네이버 등 실제로 많은 회사에서 서비스에 적용할 만큼 검증된 모델입니다.
이 책은 딥러닝을 알고 있는 사람들을 대상
