Aprendizaje de Representaciones en Grafos Heterogéneos y Aplicaciones

El aprendizaje de representación en grafos heterogéneos (HG) 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 con atributos y las redes neuronales de grafos, pocos son capaces de tener en cuenta simultánea y eficazmente la información estructural heterogénea (de grafos) así como 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 HG. Más importante aún, presentamos el estado del arte en este campo, incluyendo 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 que resume los últimos desarrollos y presenta investigaciones de vanguardia sobre el aprendizaje de representación de grafos heterogéneos. Para aprovecharlo al máximo, los lectores deben tener un conocimiento básico de informática, minería de datos y aprendizaje automático.

Autor: Chuan Shi, Xiao Wang, Philip S. Yu
Editorial: Springer
Publicado: 01/02/2023
Páginas: 318
Tipo de encuadernación: Tapa blanda
Peso: 1.05lbs
Tamaño: 9.21h x 6.14w x 0.71d
ISBN13: 9789811661686
ISBN10: 9811661685
Categorías BISAC:
- Informática | Ciencia de Datos | Análisis de Datos
- Informática | Inteligencia Artificial | General
- Informática | Teoría de la Información

Sobre el autor
Chuan Shi es profesor en la Escuela de Ciencias de la Computación de la Universidad de Correos y Telecomunicaciones de Pekín, subdirector del Laboratorio Clave de Beijing de Software de Telecomunicaciones Inteligentes y Multimedia. Sus principales intereses de investigación incluyen minería de datos, aprendizaje automático, inteligencia artificial y análisis de grandes datos. Ha publicado más de 100 artículos revisados por pares, incluyendo las principales revistas y conferencias en minería de datos, como IEEE TKDE, ACM TIST, KDD, AAAI, IJCAI y WWW. Además, 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 beneficiario del "Plan de Jóvenes Talentos" y del "Pionero de la Ética del Profesor" en Pekín.

Xiao Wang es profesor asistente en la Escuela de Ciencias de la Computación de la Universidad de Correos y Telecomunicaciones de Pekín. Fue postdoctorado en el Departamento de Ciencias e Ingeniería Informáticas de la Universidad de Tsinghua. Obtuvo su doctorado en la Escuela de Ciencias y Tecnología Informáticas 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 minería de datos, aprendizaje automático, inteligencia artificial y análisis de grandes datos. Ha publicado más de 50 artículos revisados por pares, incluyendo las principales revistas y conferencias en minería de datos, como IEEE TKDE, KDD, AAAI, IJCAI y WWW. También es miembro del comité de programa/SPC 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 big data, minería de datos (especialmente en minería de grafos/redes), redes sociales, publicación de datos con preservación de la privacidad, flujo 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 de Información y Tecnología. Antes de unirse a la UIC, estuvo 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 en EE. UU. 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 de la IEEE Computer Society 2013.