【2023新书】负责任图神经网络，324页pdf

https://www.routledge.com/Responsible-Graph-Neural-Networks/Abdel-Basset-Moustafa-Hawash-Tari/p/book/9781032359885

更频繁、更复杂的网络威胁需要网络安全专家做出强大、自动化和快速的响应。本书提供了网络图学习领域的完整研究，重点是图神经网络(GNN)及其网络安全应用。 三部分探讨基础、方法和实践，以及高级主题。第一部分介绍了图数据结构和图嵌入的基础，并给出了GNN和网络安全应用的分类观点。第二部分解释了三种不同类别的图学习，包括确定性、生成性和强化学习，以及如何将它们用于开发网络防御模型。每类的讨论涵盖了简单图和复杂图的适用性、可扩展性、代表性算法和技术细节。

希望了解实用深度学习方法的本科生、研究生、研究人员、网络分析师和AI工程师将发现这本书是一个宝贵的资源。

1. Introduction to Graph Intelligence
2. Fundamentals of Graph Representations
3. Graph Embedding: Methods, Taxonomies, and Applications
4. Toward Graph Neural Networks: Essentials and Pillars
5. Graph Convolution Networks: A Journey from Start to End
6. Graph Attention Networks: A Journey from Start to End
7. Recurrent Graph Neural Networks: A Journey from Start to End
8. Graph Autoencoders: A Journey from Start to End
9. Interpretable Graph Intelligence: A Journey from Black to White Box
10. Toward Privacy Preserved Graph Intelligence: Concepts, Methods, and Applications 本书的主要目的是让学者和读者深入了解“图智能”作为人工智能的一个特殊分支。本书非常强调深度学习在彻底改变依赖图结构数据的广泛应用中的图智能任务中的作用。考虑到每天生成的数据的爆炸式增长，其中包含不同实体之间的复杂交互，在开发智能应用程序时，基于图的解决方案获得了越来越多的兴趣。借助深度学习的弹性和泛化能力，本书详细解释了不同系列的基于图的深度学习解决方案，这些解决方案已经取得了最先进的图表示学习性能。本书旨在填补深度学习在从不同类型的图中对复杂表示进行建模的潜力方面的实际和概念信息方面的明显空白。一方面，世界各地有无数的研究活动;每天都有新的研究论文发表;NIPS或ICLR等大部分会议都专注于解决图智能任务。尽管在这一主题的资源的多样性，学术资源太专业化和抽象，不经过大量的努力就无法理解。因此，他们无法将知识体系传递给非学术受众。深度学习应用的实际因素要糟糕得多，因为如何从研究论文中描述的抽象技术到解决现实案例研究和问题的功能应用并不总是很清楚。另一方面，有一些大学课程和博客平台用工作示例解释图智能;然而，这些来源通常是不完整的，只关注一两个模型或一个特定的模型族。反过来，这使得我们很难捕捉到这个主题的全部思想。本书首次结合了两种材料的优点，提供了关于图智能应用的系统和全面的知识。

第1章: 图智能的概念

本章介绍图智能以及深度学习背景下的相关概念。然后，通过回顾基本的深度学习模型，如FFNs、cnn、rnn和AEs，介绍深度学习的背景。然后讨论训练深度网络的反向传播方法和相关技巧。在本章结束时，我们会简要讨论本书每一章的主要内容，以便读者对各章主题的系统流程有简明的了解。

第2章:图表示的基础

第2章详细讨论了图的表示、相关的矩阵表示，以及图表示的重要事件和属性，如中心性、连通性和度。然后讨论了图信号处理和图傅里叶变换以及它们如何解决谱图智能的基础问题。之后，本章会介绍不同类型的复合图。最后，本章讨论了图上的示范计算任务，即面向图和面向节点的任务。

第3章图嵌入

第3章提出了一个以集成方式解释图嵌入方法的通用框架和新展望。该框架主要涉及4个组成部分的计数:首先，映射函数将某个图的节点映射到嵌入空间中相应的嵌入;其次，信息挖掘者从图中挖掘和融合信息;第三，重构器使用节点嵌入来重构获得的信息;第四，负责测量重构信息和挖掘信息之间的方差的目标函数。该函数被优化以学习图嵌入。然后，本章提供了图嵌入方法的一般分类，基于它们寻求保留计数社区、结构角色、共现和全局状态基础方法的信息，同时提供了每个类别中的原型算法的细节。此外，在这个通用框架中，本章讨论了复合图的演示嵌入方法，包括二部图、异构图、动态图、符号图、多维图和超图。

第4章图神经网络

第4章介绍面向节点和图任务的图神经网络(GNN)算法的结构设计。特别地，本章讨论了GNN的两个主要组成部分:图过滤和图池化层，用于细化节点特征和粗化图以创建图表示。本章介绍了图过滤器和图池的分类方法，并回顾了每个类别中的原型算法。最后，本章讨论了为各种下游任务(如节点分类)学习GNN参数的方法。

第5章图卷积网络

第5章讨论最著名的图网络家族之一，即图卷积网络，它分为谱图卷积和空间图卷积网络。这一章讨论了两类图卷积网络之间的主要区别。然后，对每类中最先进的算法进行详细解释和实现。

第6章图注意力网络

第6章研究了一种新的基于注意力的图神经网络，称为图注意力网络。与理论讨论一致，本章提供了PyTorch对最先进的图注意力算法的实现，包括图注意力网络(GAT)、GAT版本2 (GATv2)、图transformer和异构图的图transformer网络(GTN)。在本章末尾，我们将在一个恶意软件检测的真实案例中研究图注意力模型的潜力。

第7章循环图神经网络

第7章探索另一种流行的图网络，即循环图神经网络。本章首先讨论了用于序列建模的深度学习，并展示了忽视时间依赖性所带来的挑战。研究了循环图神经网络，以显示它们如何积极地利用该过程的历史，通过被认为是消息传递的信息传播方案，为在节点级别生成嵌入提供一个通用解决方案。本章将详细解释和实现一些最先进的递归图神经网络算法。

第8章图自动编码器

第8章讨论了一种常见的图网络族，称为图自动编码器，专注于自定义自动编码器以从图中学习。本章首先讨论了标准自动编码器的工作机制，以及如何将其扩展到图形数据。接下来，本章第二部分讨论变分图自编码器的观点。

第9章:揭开可解释图智能的神秘面纱

第9章对现有的解释图智能模型的方法进行了分类探索。对可解释性方法的整体和分类讨论阐明了当前方法之间的相似性和对比，为未来的方法进步铺平了道路。这一章提供了一些常见的可解释性方法的实际实现。在第9章结束时，我们将讨论扩展到评估图网络解释的指标。

第10章:揭开图智能隐私保护的神秘面纱

第10章会在第9章的基础上进一步深入分析图智能的重要方面。这是通过讨论图神经网络的隐私问题和威胁模型来完成的。为图智能的各个方面设计了一个细粒度的分类，对相应的方法进行分类，并为各种类型的隐私保护方法制定通用大纲。这样做是为了丰富读者对图智能中隐私保护话题的知识。