※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。
また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。
※この電子書籍は紙版書籍のページデザインで制作した固定レイアウトです。
深層学習でネットワークを解析する世界最前線の研究を1冊で学ぶ！ 深層学習をグラフ（ネットワーク）で表される構造データに対して適用するための研究が盛んになっています。
それが、本書で解説するグラフニューラルネットワークです。
グラフ中の頂点やグラフ全体を高精度に分類できれば、高度な画像認識、推薦システム、交通量予測、化合物分類、さらには新型コロナウイルス（COVID-19）への対処のための応用なども期待できる、世界最前線の研究です。
本書では、グラフニューラルネットワークの基本的な知識および研究事例について説明し、PyTorchによる実装について紹介するとともに、今後の学習のための情報源についても解説します。
Google Colaboratoryで解説するとともに、サンプルコードもついています。
まえがき第1章 グラフニューラルネットワークとは 1.1 はじめに 1.2 グラフを対象とした畳み込み 1.3 グラフを対象とした機械学習タスク 1.3.1 ノード分類 1.3.2 グラフ分類 1.3.3 リンク予測 1.3.4 グラフ生成 1.4 グラフニューラルネットワークの応用 1.4.1 画像認識 1.4.2 推薦システム 1.4.3 交通量予測 1.4.4 化合物分類 1.4.5 組み合わせ最適化 1.4.6 COVID-19とグラフニューラルネットワーク まとめ第2章 グラフエンベディング 2.1 グラフエンベディング手法の概観 2.2 次元縮約に基づく手法 2.3 グラフ構造に基づく手法 2.3.1 DeepWalk 2.3.2 LINE 2.3.3 node2vec 2.3.4 GraRep 2.4 ニューラルネットワークに基づく手法 まとめ第3章 グラフにおける畳み込み 3.1 グラフ畳み込みにおけるアプローチ 3.2 Spectral Graph Convolution 3.2.1 フーリエ変換 3.2.2 グラフラプラシアン 3.2.3 ChebNet 3.2.4 GCN 3.3 Spatial Graph Convolution 3.3.1 PATCHY-SAN 3.3.2 DCNN 3.3.3 GraphSAGE まとめ第4章 関連トピック 4.1 グラフオートエンコーダ 4.2 GAT 4.3 SGC 4.4 GIN 4.5 敵対的攻撃 4.6 動的グラフのエンベディング 4.7 時空間グラフ畳み込みネットワーク 4.8 説明可能性 まとめ第5章 実装のための準備 5.1 Python 5.2 NumPy 5.3 SciPy 5.4 pandas 5.5 Matplotlib 5.6 seaborn 5.7 Scikit-learn 5.8 t-SNE 5.9 Jupyter Notebook 5.10 Google Colaboratory まとめ第6章 PyTorch Geometricによる実装 6.1 PyTorch 6.1.1 データセット 6.1.2 モデル 6.1.3 損失 6.1.4 最適化 6.2 PyTorch Geometric入門 6.2.1 PyTorh Geometricとは 6.2.2 類似ライブラリとの比較 6.2.3 PyTorch Geometricによるグラフのデータ構造 6.2.4 よく使われるベンチマークデータセット 6.2.5 ミニバッチ 6.2.6 データ変換 6.2.7 グラフの学習手法 6.3 PyTorch Geometricによるノード分類・グラフ分類 6.3.1 PyTorch Geometricによるエンベディング 6.3.2 PyTorch Geometricによるノード分類 6.3.3 PyTorch Geometricによるグラフ分類 まとめ第7章 今後の学習に向けて 7.1 書籍 7.2 サーベイ論文 7.3 動画 7.4 リンク集など 7.5 Open Graph Benchmark まとめおわりに参考文献索引