北邮GAMMA Lab实验室出版Advances in Graph Neural Networks英文专著

本书全面介绍了图神经网络的基础知识和前沿课题。主要由三个部分组成：第一部分(第1-2章)介绍GNN的基本定义和发展；第二部分(第3-7章)介绍GNN的前沿专题，包括同质图神经网络、异质图神经网络、动态图神经网络、双曲图神经网络、蒸馏图神经网络；以及第三部分(第8-9章)中关于图神经网络的平台和未来方向。

Part 1：GNN基本定义和发展（第一章和第二章）：

第一章主要介绍了图的基础知识和图神经网络的发展。我们引入了基本概念，形式化地定义了各种类型的复杂图和图上的计算任务。然后讨论了图神经网络的发展。我们还提到了各种前沿图神经网络。第二章（张梦玫和朱美琪编著）介绍了最具代表性和最基本的图神经网络模型，包括GCN，GAT，GraphSAGE和HAN。

Part 2：GNN前沿课题（第三章到第七章）：

这一部分从不同的角度介绍了GNN的研究进展，涵盖的主题包括同质图神经网络、异质图神经网络、动态图神经网络、双曲图神经网络和蒸馏图神经网络。每个主题都有独立的一个章节介绍典型算法的基本概念和技术细节。

在第三章（薄德瑜编著）中，我们回顾了同质图神经网络设计热点话题的一些最新工作，包括分析网络特征和拓扑关系的工作，提出GNN理论框架的工作，讨论GNN高频和低频信息的工作，以及为GNN设计图结构学习的工作。在第四章（王睿嘉编著）中，我们从传播深度、距离编码、对抗性解缠器和自监督训练等方面介绍了近年来异质图神经网络的研究现状。在第五章（吉余岗编著）中，我们重点讨论了动态图分析的方法，提供了动态异质图神经网络设计的技术细节，包括微观和宏观动态建模、动态异质图嵌入和动态元路径时态异质图建模。然后，在第六章（张依丁编著）中介绍了双曲图神经网络的几个代表性工作，包括双曲图注意力网络，洛伦兹图卷积网络和双曲异质图表示法。第七章（刘佳玮编著）中讨论了图神经网络的知识蒸馏方法，包括结合标签传播和特征变换的知识蒸馏框架、面向GNN的温度自适应知识蒸馏和面向GNN的无数据对抗知识蒸馏。

Part 3：GNN平台和未来发展方向（第八章和第九章）：

第八章（赵天宇和刘耀齐编著）介绍了由GAMMA Lab实验室开发的GNN平台GammaGL。它支持多个具有相同代码实现的深度学习平台。用户可以从TensorFlow、PyTorch、PaddlePaddle和Mindspore中选择自己喜欢的后端。GammaGL还使用了以张量为中心的API，这使得它对熟悉PyG的用户很友好。第九章做出结论并讨论了未来的研究方向。尽管有大量的图神经网络方法被提出，许多重要的开放性问题仍然没有得到很好的探索，例如图神经网络的鲁棒性、可解释性和公平性等。当图神经网络被应用于现实世界的应用，特别是一些风险敏感的领域时，这些问题仍需要被仔细考虑。

专家推荐

本书从图表示学习的基础出发，广泛介绍了GNN的前沿研究方向，包括异质GNN、动态GNN、双曲GNN、蒸馏GNN等。基础知识可以帮助读者快速了解GNN的特点，而前沿课题的各种主题有望激励读者开展自己的研究。无论是初学者还是来自学术界或工业界的经验丰富的研究人员相信都能从这本书的内容中受益。

——Philip S. Yu（俞士纶） 美国伊利诺伊大学芝加哥分校（UIC）信息技术领域Wexler讲座教授，ACM和IEEE院士

作者简介

全书阅读链接