適讀人群 ：人工智能、機器學習、深度學習的從業者和愛好者

深度學習正在改變軟件，將算法性能推進到一個新的階段，並促使新的更加強大的人工智能出現。本書介紹了深度學習的基本原理和技術，借助生動的插圖、彩色印刷和易於理解的代碼，盡量降低讀者學習的門檻，使讀者能夠輕鬆愉悅地進行。

本書匯集了專家喬恩·克羅恩（Jon Krohn）和格蘭特·貝勒費爾德（Grant Beyleveld）的豐富經驗和具體實踐，以及阿格萊·巴森斯（Aglaé Bassens）的精美插圖，用直觀生動的方式，清晰地闡釋了什麼是深度學習，為什麼深度學習如此流行，並梳理了深度學習與其他機器學習方法的關係。在這本書中，作者通過Jupyter notebook這一強大的工具，編寫可動手操作的Python代碼，為那些想要開始學習深度學習的開發人員、數據科學家、研究人員、分析師和學生創建了實用的參考教程。

為了幫助讀者快速提高，作者重點講解了利用深度學習庫Keras靈活構建TensorFlow模型的方法，同時還介紹了深度學習庫PyTorch的強大功能。閱讀本書，讀者將能夠深入理解和掌握深度學習的主要方法及其在機器視覺、自然語言處理、圖像生成和遊戲領域的應用。

本書利用精美的插圖和有趣的類比，對深度學習的主流技術和背後的原理進行了深入淺出的講解，解釋了什麼是深度學習，深度學習流行的原因，以及深度學習與其他機器學習方法的關係。閱讀本書，讀者可以掌握卷積神經網絡、循環神經網絡、生成對抗網絡和深度強化學習等熱門技術，學習 TensorFlow、Keras 和 PyTorch 等熱門工具的使用，同時能夠更深刻地理解計算機視覺、自然語言處理和遊戲等領域的人工智能應用。本書還提供了簡單明了的示例和代碼，能夠幫助讀者動手實踐。

喬恩.克羅恩（Jon Krohn）是untapt機器學習公司的首席數據科學家，擁有牛津大學的神經科學博士學位，並在紐約數據科學學院和哥倫比亞大學講授深度學習課程。他主持的TensorFlow深度學習視頻課程廣受讚譽。

格蘭特.貝勒費爾德（Grant Beyleveld）是untapt的數據科學家，擁有伊坎醫學院的生物醫學博士學位，主要負責利用深度學習處理自然語言。

阿格萊.巴森斯（Aglaé Bassens）曾在牛津大學和倫敦大學的美術學院研修藝術，她是插畫師、畫家和壁畫家。

譯者簡介

劉樂平，博士畢業於中國人民大學統計學院。天津財經大學大數據統計中心主任，統計學、金融學教授，博士生導師。主要研究領域為貝葉斯數據分析、風險管理與精算。

劉芳，碩士畢業於英國伯明翰大學，天津財經大學珠江學院講師，主要研究方向為金融科技、機器學習和保險精算。

程瑞華，博士畢業於美國新澤西理工學院，天津財經大學金融學院講師，主要研究方向包括深度學習、保險精算等，曾就職京東創新研究院擔任算法工程師。

第Ⅰ部分 深度學習簡介 1

第 1章 生物視覺與機器視覺 2

1.1 生物視覺 2

1.2 機器視覺 6

1.2.1 神經認知機 7

1.2.2 LeNet-5 7

1.2.3 傳統機器學習方法 9

1.2.4 ImageNet和ILSVRC 10

1.2.5 AlexNet 10

1.3 TensorFlow Playground 13

1.4 Quick，Draw！ 14

1.5 小結 15

第 2章 人機語言 16

2.1 自然語言處理的深度學習 16

2.1.1 深度學習網絡能夠自動學習表徵 16

2.1.2 自然語言處理 17

2.1.3 自然語言處理的深度學習簡史 18

2.2 語言的計算表示 19

2.2.1 獨熱編碼 19

2.2.2 詞向量 20

2.2.3 詞向量算法 22

2.2.4 word2viz 23

2.2.5 局部化與分佈式表示 24

2.3 自然人類語言要素 25

2.4 Google Duplex 27

2.5 小結 28

第3章 機器藝術 29

3.1 一個熱鬧的通宵 29

目錄 2

3.2 偽人臉算法 31

3.3 風格遷移：照片與莫奈風格間的相互轉換 33

3.4 讓你的素描更具真實感 34

3.5 基於文本創建真實感圖像 35

3.6 使用深度學習進行圖像處理 35

3.7 小結 36

第4章 對弈機 38

4.1 人工智能、深度學習和其他技術 38

4.1.1 人工智能 39

4.1.2 機器學習 39

4.1.3 表徵學習 39

4.1.4 人工神經網絡 39

4.1.5 深度學習 40

4.1.6 機器視覺 40

4.1.7 自然語言處理 41

4.2 機器學習問題的3種類型 41

4.2.1 監督學習 41

4.2.2 無監督學習 41

4.2.3 強化學習 42

4.3 深度強化學習 43

4.4 電子遊戲 44

4.5 棋盤遊戲 45

4.5.1 AlphaGo 46

4.5.2 AlphaGo Zero 49

4.5.3 AlphaZero 50

4.6 目標操縱 52

4.7 主流的深度強化學習環境 53

4.7.1 OpenAI Gym 53

4.7.2 DeepMind Lab 54

4.7.3 Unity ML-Agents 55

4.8 人工智能的3種類型 56

4.8.1 狹義人工智能 56

4.8.2 通用人工智能 56

4.8.3 超級人工智能 56

4.9 小結 56

目錄 3

第Ⅱ部分 圖解深度學習基本理論 57

第5章 先代碼後理論 58

5.1 預備知識 58

5.2 安裝 58

5.3 用Keras構建淺層網絡 59

5.3.1 MNIST手寫數字 59

5.3.2 淺層網絡簡圖 60

5.3.3 加載數據 61

5.3.4 重新格式化數據 63

5.3.5 設計神經網絡架構 64

5.3.6 訓練深度學習模型 65

5.4 小結 66

第6章 熱狗人工神經元檢測器 67

6.1 生物神經元概述 67

6.2 感知機 68

6.2.1 熱狗/非熱狗感知機 68

6.2.2 本書中最重要的公式 71

6.3 現代人工神經元與激活函數 72

6.3.1 sigmoid神經元 72

6.3.2 tanh神經元 73

6.3.3 ReLU：線性整流單元 74

6.4 選擇神經元 74

6.5 小結 75

6.6 核心概念 75

第7章 人工神經網絡 76

7.1 輸入層 76

7.2 全連接層 76

7.3 熱狗檢測全連接網絡 77

7.3.1 通過第 一個隱藏層的正向傳播 78

7.3.2 通過後續層的正向傳播 79

7.4 快餐分類網絡的softmax層 81

目錄 4

7.5 淺層網絡回顧 83

7.6 小結 84

7.7 核心概念 84

第8章 訓練深度網絡 85

8.1 損失函數 85

8.1.1 平方損失函數 85

8.1.2 飽和神經元 86

8.1.3 交叉熵損失函數 86

8.2 優化：學習最小化損失 88

8.2.1 梯度下降 88

8.2.2 學習率 89

8.2.3 batch size和隨機梯度下降 90

8.2.4 解決局部極小值問題 92

8.3 反向傳播 94

8.4 調整隱藏層層數和神經元數量 94

8.5 用Keras構建中等深度的神經網絡 95

8.6 小結 98

8.7 核心概念 98

第9章 改進深度網絡 99

9.1 權重初始化 99

9.2 不穩定梯度 104

9.2.1 梯度消失 104

9.2.2 梯度爆炸 105

9.2.3 批量歸一化 105

9.3 模型泛化（避免過擬合） 106

9.3.1 L1/L2正則化 107

9.3.2 dropout 108

9.3.3 數據增強 110

9.4 理想的優化器 110

9.4.1 動量 110

9.4.2 Nesterov動量 111

9.4.3 AdaGrad 111

9.4.4 AdaDelta和RMSProp 111

目錄 5

9.4.5 Adam 112

9.5 用Keras構建深度神經網絡 112

9.6 回歸 114

9.7 TensorBoard 116

9.8 小結 118

9.9 核心概念 118

第Ⅲ部分 深度學習的交互應用 119

第 10章 機器視覺 120

10.1 卷積神經網絡 120

10.1.1 視覺圖像的二維結構 120

10.1.2 計算複雜度 120

10.1.3 卷積層 121

10.1.4 多個卷積核 122

10.1.5 卷積示例 123

10.1.6 卷積核的超參數 126

10.2 池化層 127

10.3 用Keras實現LeNet-5 129

10.4 用Keras實現AlexNet和VGGNet 133

10.5 殘差網絡 136

10.5.1 梯度消失：深度CNN的最大缺點 136

10.5.2 殘差連接 136

10.5.3 ResNet 138

10.6 機器視覺的應用 139

10.6.1 目標檢測 139

10.6.2 圖像分割 142

10.6.3 遷移學習 143

10.6.4 膠囊網絡 147

10.7 小結 147

10.8 核心概念 147

第 11章 自然語言處理 149

11.1 自然語言數據的預處理 149

11.1.1 分詞 151

目錄 6

11.1.2 將所有字符轉換成小寫 153

11.1.3 刪除停頓詞和標點符號 153

11.1.4 詞幹提取 154

11.1.5 處理n-grams 155

11.1.6 預處理整個語料庫 156

11.2 通過word2vec創建詞嵌入 158

11.2.1 word2vec背後的基本理論 158

11.2.2 詞向量的評估 160

11.2.3 word2vec的運行 160

11.2.4 詞向量的繪製 163

11.3 ROC曲線下的面積 167

11.3.1 混淆矩陣 168

11.3.2 計算ROC AUC指標 169

11.4 通過常見網絡實現自然語言分類 171

11.4.1 加載IMDb電影評論 171

11.4.2 檢查IMDb數據 173

11.4.3 標準化評論長度 176

11.4.4 全連接網絡 176

11.4.5 卷積網絡 182

11.5 序列數據的網絡設計 186

11.5.1 循環神經網絡 186

11.5.2 LSTM 189

11.5.3 雙向LSTM 192

11.5.4 堆疊的循環神經網絡 192

11.5.5 seq2seq模型和注意力機制 193

11.5.6 自然語言處理中的遷移學習 194

11.6 非序列架構——Keras函數式API 195

11.7 小結 198

11.8 核心概念 199

第 12章 生成對抗網絡 200

12.1 生成對抗網絡的基本理論 200

12.2 “Quick，Draw！”數據集 202

12.3 判別器網絡 205

12.4 生成器網絡 208

目錄 7

12.5 對抗網絡 211

12.6 訓練生成對抗網絡 212

12.7 小結 218

12.8 核心概念 219

第 13章 深度強化學習 220

13.1 強化學習的基本理論 220

13.1.1 Cart-Pole 遊戲 221

13.1.2 馬爾可夫決策過程 222

13.1.3 最優策略 224

13.2 深度Q-Learning網絡的基本理論 225

13.2.1 值函數 226

13.2.2 Q值函數 226

13.2.3 估計最優Q值 226

13.3 定義DQN智能體 227

13.3.1 初始化參數 229

13.3.2 構建智能體的神經網絡模型 231

13.3.3 記憶遊戲 232

13.3.4 記憶回放訓練 232

13.3.5 選擇要採取的行動 233

13.3.6 保存和加載模型參數 234

13.4 與OpenAI Gym環境交互 234

13.5 通過SLM Lab進行超參數優化 236

13.6 DQN智能體以外的智能體 238

13.6.1 策略梯度算法和REINFORCE

算法 239

13.6.2 Actor-Critic算法 240

13.7 小結 240

13.8 核心概念 241

第Ⅳ部分 您與人工智能 243

第 14章 推進專屬於您的深度學習項目 244

14.1 深度學習項目構想 244

14.1.1 機器視覺和生成對抗網絡 244

目錄 8

14.1.2 自然語言處理 246

14.1.3 深度強化學習 246

14.1.4 轉換現有的機器學習項目 247

14.2 引申項目資源 248

14.3 建模過程和超參數調優 249

14.4 深度學習框架 251

14.4.1 Keras和TensorFlow 251

14.4.2 PyTorch 253

14.4.3 MXNet、CNTK、Caffe等深度學習

框架 253

14.5 Software 2.0 253

14.6 邁向通用人工智能 255

14.7 小結 256

第Ⅴ部分 附錄 259

附錄A 神經網絡的形式符號 260

附錄B 反向傳播 262

附錄C PyTorch 265

本書圖片來源 271

適讀人群 ：本書適合高年級本科生和研究生、博士後研究人員、講師以及行業從業者閱讀與參考。

前沿：圖神經網絡是機器學習、數據科學、數據挖掘領域新興的發展方向，被稱作圖上的深度學習，有望推動第三代人工智能的順利發展。

豐富：綜述圖神經網絡的基礎理論、模擬算法、研究前沿以及廣泛和新興的應用場景

深入：摒棄簡單介紹概念與框架的思維，深入分析圖神經網絡的現狀以及未來的調整與機遇，幫助專業人士和初學者知其然知其所以然

力荐：囊括國內AI界半壁江山的大咖聯袂推薦

本書致力於介紹圖神經網絡的基本概念和算法、研究前沿以及廣泛和新興的應用，涵蓋圖神經網絡的廣泛主題，從基礎到前沿，從方法到應用，涉及從方法論到應用場景方方面面的內容。全書分為四部分：第一部分介紹圖神經網絡的基本概念；第二部分討論圖神經網絡成熟的方法；第三部分介紹圖神經網絡典型的前沿領域；第四部分描述可能對圖神經網絡未來研究比較重要和有前途的方法與應用的進展情況。

本書適合高年級本科生和研究生、博士後研究人員、講師以及行業從業者閱讀與參考。

吳凌飛博士

畢業於美國公立常春藤盟校之一的威廉與瑪麗學院計算機系。目前他是Pinterest公司主管知識圖譜和內容理解的研發工程經理。曾任京東矽谷研究中心的首席科學家和IBM Thomas J. Vatson Research Centerl的高級研究員。主要研究方向是機器學習、表徵學習和自然語言處理的有機結合，在圖神經網絡及其應用方面有深入研究。他在機器學習、深度學習等領域的著名會議或期刊上發表100多篇論文。

崔鵬博士

清華大學計算機系終身副教授。於2010年在清華大學獲得博士學位。研究興趣包括數據挖掘、機器學習和多媒體分析，擅長網絡表示學習、因果推理和穩定學習、社會動力學建模和用戶行為建模等。他在機器學習和數據挖掘領域的著名會議或期刊上發表100多篇論文。

裴健博士

杜克大學電子與計算機工程系教授。他是數據科學、大數據、數據挖掘和數據庫系統等領域的研究人員。他擅長為新型數據密集型應用開發有效的數據分析技術，並將其研究成果轉化為產品和商業實踐。自2000年以來，他已經出版一本教科書、兩本專著，並在眾多具有影響力的會議或期刊上發表300多篇論文。

趙亮博士

埃默里大學計算科學系助理教授。曾在喬治梅森大學信息科學與技術系和計算機科學系擔任助理教授。於2016年在弗吉尼亞理工大學計算機科學系獲得博士學位。研究興趣包括數據挖掘、人工智能和機器學習，在時空和網絡數據挖掘、圖深度學習、非凸優化、事件預測和可解釋機器學習等方面有深入研究。

第 一部分 引言

第 1章 表徵學習 2

1.1 導讀 2

1.2 不同領域的表徵學習 3

1.2.1 用於圖像處理的表徵學習 3

1.2.2 用於語音識別的表徵學習 5

1.2.3 用於自然語言處理的表徵學習 7

1.2.4 用於網絡分析的表徵學習 8

1.3 小結 9

第 2章 圖表徵學習 11

2.1 導讀 11

2.2 傳統圖嵌入方法 12

2.3 現代圖嵌入方法 13

2.3.1 保留圖結構和屬性的圖表徵學習 13

2.3.2 帶有側面信息的圖表徵學習 15

2.3.3 保留高級信息的圖表徵學習 15

2.4 圖神經網絡 16

2.5 小結 17

第3章 圖神經網絡 18

3.1 導讀 18

3.2 圖神經網絡概述 19

3.2.1 圖神經網絡基礎 19

3.2.2 圖神經網絡前沿 20

3.2.3 圖神經網絡應用 22

3.2.4 本書組織結構 23

3.3 小結 24

第二部分 基礎

第4章 用於節點分類的圖神經網絡 28

4.1 背景和問題定義 28

4.2 有監督的圖神經網絡 29

4.2.1 圖神經網絡的一般框架 29

4.2.2 圖卷積網絡 30

4.2.3 圖注意力網絡 32

4.2.4 消息傳遞神經網絡 33

4.2.5 連續圖神經網絡 33

4.2.6 多尺度譜圖卷積網絡 35

4.3 無監督的圖神經網絡 37

4.3.1 變分圖自編碼器 37

4.3.2 深度圖信息最大化 39

4.4 過平滑問題 41

4.5 小結 42

第5章 圖神經網絡的表達能力 44

5.1 導讀 44

5.2 圖表徵學習和問題的提出 47

5.3 強大的消息傳遞圖神經網絡 49

5.3.1 用於集合的神經網絡 49

5.3.2 消息傳遞圖神經網絡 50

5.3.3 MP-GNN的表達能力 51

5.3.4 具有1-WL測試能力的MP-GNN 53

5.4 比1-WL測試更強大的圖神經網絡架構 54

5.4.1 MP-GNN的局限性 54

5.4.2 注入隨機屬性 56

5.4.3 注入確定性距離屬性 61

5.4.4 建立高階圖神經網絡 65

5.5 小結 69

第6章 圖神經網絡的可擴展性 71

6.1 導讀 71

6.2 引言 72

6.3 抽樣範式 72

6.3.1 節點級抽樣 74

6.3.2 層級抽樣 76

6.3.3 圖級抽樣 79

6.4 大規模圖神經網絡在推薦系統中的應用 82

6.4.1 物品-物品推薦 82

6.4.2 用戶-物品推薦 83

6.5 未來的方向 84

第7章 圖神經網絡的可解釋性 86

7.1 背景：深度模型的可解釋性 86

7.1.1 可解釋性和解釋的定義 86

7.1.2 解釋的價值 87

7.1.3 傳統的解釋方法 88

7.1.4 機遇與挑戰 90

7.2 圖神經網絡的解釋方法 90

7.2.1 背景 91

7.2.2 基於近似的解釋 92

7.2.3 基於相關性傳播的解釋 95

7.2.4 基於擾動的解釋 96

7.2.5 生成式解釋 97

7.3 圖神經網絡的可解釋模型 97

7.3.1 基於GNN的注意力模型 98

7.3.2 圖上的解耦化表徵學習 100

7.4 圖神經網絡解釋的評估 101

7.4.1 基準數據集 101

7.4.2 評價指標 103

7.5 未來的方向 103

第8章 圖神經網絡的對抗魯棒性 105

8.1 動機 105

8.2 圖神經網絡的局限性：對抗性樣本 107

8.2.1 對抗性攻擊的分類 107

8.2.2 擾動的影響和一些啟示 110

8.2.3 討論和未來的方向 112

8.3 可證明的魯棒性：圖神經網絡的認證 113

8.3.1 特定模型的認證 113

8.3.2 模型無關的認證 115

8.3.3 高級認證和討論 116

8.4 提高圖神經網絡的魯棒性 117

8.4.1 改進圖 117

8.4.2 改進訓練過程 118

8.4.3 改進圖神經網絡的架構 120

8.4.4 討論和未來的方向 121

8.5 從魯棒性的角度進行適當評估 122

8.6 小結 124

第三部分 前沿

第9章 圖分類 128

9.1 導讀 128

9.2 用於圖分類的圖神經網絡：典型工作和現代架構 129

9.2.1 空間方法 129

9.2.2 頻譜方法 132

9.3 池化層：從節點級輸出學習圖級輸出 133

9.3.1 基於注意力的池化層 134

9.3.2 基於聚類的池化層 134

9.3.3 其他池化層 134

9.4 圖神經網絡和高階層在圖分類中的局限性 135

9.5 圖神經網絡在圖分類中的應用 137

9.6 基準數據集 137

9.7 小結 138

第 10章 鏈接預測 139

10.1 導讀 139

10.2 傳統的鏈接預測方法 140

10.2.1 啟發式方法 140

10.2.2 潛在特徵方法 143

10.2.3 基於內容的方法 145

10.3 基於GNN的鏈接預測方法 145

10.3.1 基於節點的方法 145

10.3.2 基於子圖的方法 147

10.3.3 比較基於節點的方法和基於子圖的方法 150

10.4 鏈接預測的理論 151

10.4.1 γ–衰減啟發式理論 151

10.4.2 貼標籤技巧 155

10.5 未來的方向 158

10.5.1 加速基於子圖的方法 158

10.5.2 設計更強大的貼標籤技巧 159

10.5.3 了解何時使用獨熱特徵 159

第 11章 圖生成 160

11.1 導讀 160

11.2 經典的圖生成模型 160

11.3 深度圖生成模型 163

11.4 小結 178

第 12章 圖轉換 179

12.1 圖轉換問題的形式化 179

12.2 節點級轉換 180

12.3 邊級轉換 182

12.4 節點-邊共轉換 186

12.5 其他基於圖的轉換 193

12.6 小結 196

第 13章 圖匹配 197

13.1 導讀 197

13.2 圖匹配學習 198

13.3 圖相似性學習 205

13.4 小結 210

第 14章 圖結構學習 211

14.1 導讀 211

14.2 傳統的圖結構學習 212

14.3 圖神經網絡的圖結構學習 215

14.4 未來的方向 226

14.5 小結 227

第 15章 動態圖神經網絡 228

15.1 導讀 228

15.2 背景和表示法 229

15.3 動態圖的類型 233

15.4 用圖神經網絡對動態圖進行建模 236

15.5 應用 242

15.6 小結 247

第 16章 異質圖神經網絡 248

16.1 HGNN簡介 248

16.2 淺層模型 251

16.3 深度模型 254

16.4 回顧 259

16.5 未來的方向 259

第 17章 自動機器學習 262

17.1 背景 262

17.2 搜索空間 265

17.3 搜索算法 269

17.4 未來的方向 273

第 18章 自監督學習 275

18.1 導讀 275

18.2 自監督學習概述 276

18.3 將SSL應用於圖神經網絡：對訓練策略、損失函數和代理任務進行分類 277

18.4 節點級代理任務 283

18.5 圖級代理任務 287

18.6 節點-圖級代理任務 293

18.7 討論 294

18.8 小結 295

第四部分 廣泛和新興的應用

第 19章 現代推薦系統中的圖神經網絡 298

19.1 圖神經網絡在推薦系統中的實踐 298

19.2 案例研究1：動態的GNN學習 304

19.3 案例研究2：設備-雲協作的GNN學習 309

19.4 未來的方向 313

第 20章 計算機視覺中的圖神經網絡 315

20.1 導讀 315

20.2 將視覺表徵為圖 316

20.3 案例研究1：圖像 318

20.4 案例研究2：視頻 320

20.5 其他相關工作：跨媒體 322

20.6 圖神經網絡在計算機視覺中的前沿問題 324

20.7 小結 326

第 21章 自然語言處理中的圖神經網絡 327

21.1 導讀 327

21.2 將文本建模為圖 329

21.3 案例研究1：基於圖的文本聚類和匹配 332

21.4 案例研究2：基於圖的多跳閱讀理解 335

21.5 未來的方向 338

21.6 小結 339

第 22章 程序分析中的圖神經網絡 341

22.1 導讀 341

22.2 程序分析中的機器學習 342

22.3 程序的圖表徵 343

22.4 用於程序圖的圖神經網絡 345

22.5 案例研究1：檢測變量誤用缺陷 346

22.6 案例研究2：預測動態類型化語言中的類型 348

22.7 未來的方向 350

第 23章 軟件挖掘中的圖神經網絡 352

23.1 導讀 352

23.2 將軟件建模為圖 353

23.3 相關的軟件挖掘任務 355

23.4 軟件挖掘任務實例：源代碼總結 357

23.5 小結 364

第 24章 藥物開發中基於圖神經網絡的生物醫學知識圖譜挖掘 366

24.1 導讀 366

24.2 現有的生物醫學知識圖譜 367

24.3 知識圖譜的推理 369

24.4 藥物開發中基於KG的假設生成 374

24.5 未來的方向 376

第 25章 預測蛋白質功能和相互作用的圖神經網絡 383

25.1 從蛋白質的相互作用到功能簡介 383

25.2 三個典型的案例研究 387

25.3 未來的方向 393

第 26章 異常檢測中的圖神經網絡 395

26.1 導讀 395

26.2 基於GNN的異常檢測的問題 397

26.3 流水線 400

26.4 分類法 403

26.5 案例研究 404

26.6 未來的方向 409

第 27章 智慧城市中的圖神經網絡 410

27.1 用於智慧城市的圖神經網絡 410

27.2 未來的方向 419

參考文獻 420