Aprendizaje de Representaciones en Grafos Heterogéneos y Aplicaciones

La representación del aprendizaje en grafos heterogéneos (GH) tiene como objetivo proporcionar una representación vectorial significativa para cada nodo a fin de facilitar aplicaciones posteriores como la predicción de enlaces, la recomendación personalizada, la clasificación de nodos, etc. Sin embargo, esta tarea es desafiante no solo por la necesidad de incorporar información estructural heterogénea (de grafos) que consiste en múltiples tipos de nodos y aristas, sino también por la necesidad de considerar atributos o tipos de contenido heterogéneos (por ejemplo, texto o imagen) asociados con cada nodo. Aunque se han logrado avances considerables en la incrustación de grafos homogéneos (y heterogéneos), la incrustación de grafos atribuidos y las redes neuronales de grafos, pocos son capaces de tener en cuenta de manera simultánea y efectiva la información estructural heterogénea (de grafos) y la información de contenido heterogénea de cada nodo.
En este libro, ofrecemos un estudio exhaustivo de los desarrollos actuales en el aprendizaje de representación de GH. Más importante aún, presentamos el estado del arte en este campo, incluidos modelos teóricos y aplicaciones reales que se han presentado en las principales conferencias y revistas, como TKDE, KDD, WWW, IJCAI y AAAI. El libro tiene dos objetivos principales: (1) proporcionar a los investigadores una comprensión de los problemas fundamentales y un buen punto de partida para trabajar en este campo en rápida expansión, y (2) presentar las últimas investigaciones sobre la aplicación de grafos heterogéneos para modelar sistemas reales y aprender características estructurales de los sistemas de interacción. Según nuestro conocimiento, es el primer libro en resumir los últimos desarrollos y presentar investigaciones de vanguardia sobre el aprendizaje de representación de grafos heterogéneos. Para aprovecharlo al máximo, los lectores deben tener un conocimiento básico de ciencias de la computación, minería de datos y aprendizaje automático.

Autor: Chuan Shi, Xiao Wang, Philip S. Yu
Editorial: Springer
Publicado: 02/01/2023
Páginas: 318
Tipo de encuadernación: Tapa blanda
Peso: 1.05 libras
Tamaño: 9.21 pulgadas de alto x 6.14 pulgadas de ancho x 0.71 pulgadas de profundidad
ISBN13: 9789811661686
ISBN10: 9811661685
Categorías BISAC:
- Informática | Ciencia de datos | Análisis de datos
- Informática | Inteligencia artificial | General
- Informática | Teoría de la información

Acerca del autor
Chuan Shi es profesor en la Facultad de Ciencias de la Computación de la Universidad de Correos y Telecomunicaciones de Beijing, subdirector del Laboratorio Clave de Beijing de Software y Multimedia de Telecomunicaciones Inteligentes. Sus principales intereses de investigación incluyen la minería de datos, el aprendizaje automático, la inteligencia artificial y el análisis de grandes datos. Ha publicado más de 100 artículos revisados por pares, incluyendo revistas y conferencias de primer nivel en minería de datos, como IEEE TKDE, ACM TIST, KDD, AAAI, IJCAI y WWW. Y, mientras tanto, su primera monografía sobre redes de información heterogéneas ha sido publicada por Springer. Ha sido galardonado con el premio al mejor artículo en ADMA 2011 y ADMA 2018, y ha guiado a estudiantes al campeonato mundial en el IJCAI Contest 2015, la principal competición internacional de minería de datos. También es el destinatario del "Plan de Talentos Jóvenes" y "El Pionero de la Ética del Maestro" en Beijing.

Xiao Wang es profesor asistente en la Escuela de Ciencias de la Computación de la Universidad de Correos y Telecomunicaciones de Beijing. Fue posdoctorado en el Departamento de Ciencias de la Computación y Tecnología de la Universidad de Tsinghua. Obtuvo su doctorado en la Escuela de Ciencias de la Computación y Tecnología de la Universidad de Tianjin y un doctorado de formación conjunta en la Universidad de Washington en St. Louis. Sus principales intereses de investigación incluyen la minería de datos, el aprendizaje automático, la inteligencia artificial y el análisis de grandes datos. Ha publicado más de 50 artículos revisados por pares, incluyendo revistas y conferencias de primer nivel en minería de datos, como IEEE TKDE, KDD, AAAI, IJCAI y WWW. También es miembro de SPC/PC y revisor de varias conferencias internacionales de alto nivel, por ejemplo, KDD, AAAI, IJCAI, y revistas, por ejemplo, IEEE TKDE.

Los principales intereses de investigación de Philip S. Yu incluyen grandes datos, minería de datos (especialmente en minería de grafos/redes), redes sociales, publicación de datos que preserva la privacidad, flujos de datos, sistemas de bases de datos y aplicaciones y tecnologías de Internet. Es profesor distinguido en el Departamento de Ciencias de la Computación de la UIC y también ocupa la Cátedra Wexler en Información y Tecnología. Antes de unirse a la UIC, trabajó en el Centro de Investigación Thomas J. Watson de IBM, donde fue gerente del departamento de Herramientas y Técnicas de Software. El Dr. Yu ha publicado más de 1,300 artículos en revistas y conferencias revisadas por pares con más de 133,000 citas y un índice H de 169. Posee o ha solicitado más de 300 patentes estadounidenses. El Dr. Yu es miembro de la ACM y del IEEE. Es el receptor del Premio a la Innovación ACM SIGKDD 2016 y del Premio al Logro Técnico 2013 de la IEEE Computer Society.