Tóm tắt nội dung
Cuốn sách truy cập mở này thảo luận về lý thuyết và phương pháp tính toán siêu đồ thị. Nhiều mối quan hệ cơ bản giữa dữ liệu có thể được biểu diễn bằng biểu đồ, ví dụ như trong các lĩnh vực bao gồm thị giác máy tính, hóa học phân tử, sinh học phân tử, v.v. Trong thập kỷ qua, các phương pháp như học tập dựa trên biểu đồ và phương pháp mạng lưới thần kinh đã được phát triển để xử lý những dữ liệu đó , chúng đặc biệt thích hợp để xử lý các nhiệm vụ học tập quan hệ. Tuy nhiên, trong nhiều vấn đề trong thế giới thực, mối quan hệ giữa các đối tượng mà chúng ta quan tâm phức tạp hơn so với mối quan hệ theo cặp. Việc ép buộc một cách ngây thơ các mối quan hệ phức tạp thành từng cặp chắc chắn sẽ dẫn đến việc mất thông tin có thể có giá trị cho các nhiệm vụ học tập. Hypergraph, với tư cách là một thế hệ đồ thị, đã cho thấy hiệu suất vượt trội trong việc mô hình hóa các mối tương quan phức tạp so với đồ thị. Những năm gần đây đã chứng kiến sự phổ biến rộng rãi của các nghiên cứu về các phương pháp AI liên quan đến siêu đồ thị, được sử dụng trong thị giác máy tính, phân tích phương tiện truyền thông xã hội, v.v. Chúng tôi tóm tắt những nỗ lực này như một mô hình điện toán mới, được gọi là tính toán siêu đồ thị, nhằm xây dựng công thức cao - Sắp xếp các mối tương quan bên dưới dữ liệu bằng cách sử dụng siêu đồ thị, sau đó tiến hành tính toán ngữ nghĩa trên siêu đồ thị cho các ứng dụng khác nhau. Nội dung của cuốn sách này bao gồm các mô hình tính toán siêu đồ thị, mô hình siêu đồ thị, sự phát triển cấu trúc siêu đồ thị, mạng lưới thần kinh siêu đồ thị và các ứng dụng tính toán siêu đồ thị trong các lĩnh vực khác nhau. Chúng tôi tóm tắt thêm những thành tựu gần đây và hướng đi trong tương lai về tính toán siêu đồ thị trong cuốn sách này.
Abstract:
This open access book discusses the theory and methods of hypergraph computation. Many underlying relationships among data can be represented using graphs, for example in the areas including computer vision, molecular chemistry, molecular biology, etc. In the last decade, methods like graph-based learning and neural network methods have been developed to process such data, they are particularly suitable for handling relational learning tasks. In many real-world problems, however, relationships among the objects of our interest are more complex than pair-wise. Naively squeezing the complex relationships into pairwise ones will inevitably lead to loss of information which can be expected valuable for learning tasks. Hypergraph, as a generation of graph, has shown superior performance on modelling complex correlations compared with graph. Recent years have witnessed a great popularity of researches on hypergraph-related AI methods, which have been used in computer vision, social media analysis, etc. We summarize these attempts as a new computing paradigm, called hypergraph computation, which is to formulate the high-order correlations underneath the data using hypergraph, and then conduct semantic computing on the hypergraph for different applications. The content of this book consists of hypergraph computation paradigms, hypergraph modelling, hypergraph structure evolution, hypergraph neural networks, and applications of hypergraph computation in different fields. We further summarize recent achievements and future directions on hypergraph computation in this book.
Sử dụng ứng dụng Libol Bookworm quét QRCode này để mượn và đọc tài liệu)
(Lưu ý: Sử dụng ứng dụng Bookworm để xem đầy đủ tài liệu. Bạn đọc có thể tải Bookworm từ App Store hoặc Google play với từ khóa "Libol Bookworm”)