그래프 신경망은 최근 딥러닝의 어떤 분야보다도 빠르게 성장하고 있으며 많은 기업에서 이미 서비스에 적용했다. 이 책은 국내에서 그래프 신경망을 전문적으로 소개하는 첫 책이다. 20개 이상의 관련 모델들을 소개하고, 어떤 분야에 응용되고 있는지 알려준다. 그래프 신경망이 좋다는 걸 어디선가 듣고 자신의 연구나 업무 등에 적용해보고 싶었던 사람들에게 적합한 책이다. 이 책이 각자의 분야와 그래프 신경망이 시너지를 내는 데 도움이 되길 바란다.

칭화대학교 컴퓨터공학과 부교수다. 칭화대학교 컴퓨터공학과에서 2006년에 학사, 2011년에 박사학위를 받았다. 관심 연구 분야는 자연어 처리와 소셜 컴퓨팅이다. IJCAI, AAAI, ACL, EMNLP를 포함해 학회와 저널에 60편 이상의 논문을 발표했다.

1장. 서론

1.1 동기
1.1.1 합성곱 신경망
1.1.2 네트워크 임베딩
1.2 관련 연구

2장. 수학 및 그래프 기초

2.1 선형대수학
2.1.1 기본 개념
2.1.2 고유분해
2.1.3 특잇값 분해
2.2 확률
2.2.1 기본 개념과 공식
2.2.2 확률분포
2.3 그래프 이론
2.3.1 기본 개념
2.3.2 그래프의 대수적 표현

3장. 신경망 기초

3.1 뉴런
3.2 역전파
3.3 신경망

4장. 기본 그래프 신경망

4.1 서론
4.2 모델
4.3 한계

5장. 그래프 합성곱 네트워크

5.1 스펙트럼 방법
5.1.1 스펙트럼 네트워크
5.1.2 ChebNet
5.1.3 GCN
5.1.4 AGCN
5.2 공간 방법
5.2.1 뉴럴 FPS
5.2.2 PATCHY-SAN
5.2.3 DCNN
5.2.4 DGCN
5.2.5 LGCN
5.2.6 MoNet
5.2.7 GraphSAGE

6장. 그래프 순환 네트워크

6.1 게이트 그래프 신경망
6.2 Tree-LSTM
6.3 그래프 LSTM
6.4 S-LSTM

7장. 그래프 어텐션 네트워크

7.1 GAT
7.2 GaAN

8장. 그래프 잔차 네트워크

8.1 하이웨이 GCN
8.2 지식 점프 네트워크
8.3 DeepGCNs

9장. 다양한 그래프 종류

9.1 유향 그래프
9.2 이종 그래프
9.3 에지 정보가 있는 그래프
9.4 동적 그래프
9.5 다차원 그래프

10장. 고급 학습 방법

10.1 샘플링
10.2 계층적 풀링
10.3 데이터 증강
10.4 비지도 학습

11장. 일반적인 프레임워크

11.1 메시지 전달 신경망
11.2 비지역 신경망
11.3 그래프 네트워크

12장. 응용: 구조 시나리오

12.1 물리
12.2 화학과 생물
12.2.1 분자 핑거프린트
12.2.2 화학 반응 예측
12.2.3 약물 추천
12.2.4 단백질과 분자 상호작용 예측
12.3 지식 그래프
12.3.1 지식 그래프 채우기
12.3.2 귀납 지식 그래프 임베딩
12.3.3 지식 그래프 정렬
12.4 추천 시스템
12.4.1 행렬 채우기
12.4.2 소셜 추천

13장. 응용: 비구조 시나리오

13.1 이미지
13.1.1 이미지 분류
13.1.2 시각적 추론
13.1.3 의미 구분
13.2 문자
13.2.1 문자 분류
13.2.2 시퀀스 레이블링
13.2.3 신경 기계 번역
13.2.4 관계 추출
13.2.5 사건 추출
13.2.6 사실 확인
13.2.7 그 밖의 응용

14장. 응용: 기타 시나리오

14.1 생성 모델
14.2 조합적 최적화

15장. 오픈소스

15.1 데이터셋
15.2 구현

16장. 결론