-
20% KEDVEZMÉNY?
- A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.
- Kiadói listaár EUR 181.89
-
75 438 Ft (71 846 Ft + 5% áfa)
Az ár azért becsült, mert a rendelés pillanatában nem lehet pontosan tudni, hogy a beérkezéskor milyen lesz a forint árfolyama az adott termék eredeti devizájához képest. Ha a forint romlana, kissé többet, ha javulna, kissé kevesebbet kell majd fizetnie.
- Kedvezmény(ek) 20% (cc. 15 088 Ft off)
- Kedvezményes ár 60 351 Ft (57 477 Ft + 5% áfa)
Iratkozzon fel most és részesüljön kedvezőbb árainkból!
Feliratkozom
75 438 Ft
Beszerezhetőség
Megrendelésre a kiadó utánnyomja a könyvet. Rendelhető, de a szokásosnál kicsit lassabban érkezik meg.
Why don't you give exact delivery time?
A beszerzés időigényét az eddigi tapasztalatokra alapozva adjuk meg. Azért becsült, mert a terméket külföldről hozzuk be, így a kiadó kiszolgálásának pillanatnyi gyorsaságától is függ. A megadottnál gyorsabb és lassabb szállítás is elképzelhető, de mindent megteszünk, hogy Ön a lehető leghamarabb jusson hozzá a termékhez.
A termék adatai:
- Kiadás sorszáma 1st ed. 2021
- Kiadó Springer Nature Singapore
- Megjelenés dátuma 2021. július 16.
- Kötetek száma 1 pieces, Book
- ISBN 9789811626081
- Kötéstípus Keménykötés
- Terjedelem243 oldal
- Méret 235x155 mm
- Súly 559 g
- Nyelv angol
- Illusztrációk XVI, 243 p. 92 illus., 67 illus. in color. Illustrations, black & white 179
Kategóriák
Hosszú leírás:
Graph data is powerful, thanks to its ability to model arbitrary relationship between objects and is encountered in a range of real-world applications in fields such as bioinformatics, traffic network, scientific collaboration, world wide web and social networks. Graph data mining is used to discover useful information and knowledge from graph data. The complications of nodes, links and the semi-structure form present challenges in terms of the computation tasks, e.g., node classification, link prediction, and graph classification. In this context, various advanced techniques, including graph embedding and graph neural networks, have recently been proposed to improve the performance of graph data mining.
This book provides a state-of-the-art review of graph data mining methods. It addresses a current hot topic – the security of graph data mining – and proposes a series of detection methods to identify adversarial samples in graph data. In addition, it introduces readers to graph augmentation and subgraph networks to further enhance the models, i.e., improve their accuracy and robustness. Lastly, the book describes the applications of these advanced techniques in various scenarios, such as traffic networks, social and technical networks, and blockchains.
TöbbTartalomjegyzék:
Chapter 1. Information Source Estimation with Multi-Channel Graph Neural Network.- Chapter 2. Link Prediction based on Hyper-Substructure Network.- Chapter 3. Broad Learning Based on Subgraph Networks for Graph Classification.- Chapter 4. Subgraph Augmentation with Application to Graph Mining.- 5. Adversarial Attacks on Graphs: How to Hide Your Structural Information.- Chapter 6. Adversarial Defenses on Graphs: Towards Increasing the Robustness of Algorithms.- Chapter 7. Understanding Ethereum Transactions via Network Approach.- Chapter 8. Find Your Meal Pal: A Case Study on Yelp Network.- Chapter 9. Graph convolutional recurrent neural networks: a deep learning framework for traffic prediction.- Chapter 10. Time Series Classification based on Complex Network.- Chapter 11. Exploring the Controlled Experiment by Social Bots.
Több
