目錄
前言
第1章 緒論 1
1.1 結(jié)構(gòu)熵在感知與博弈理論中的定義 2
1.2 結(jié)構(gòu)熵在感知與博弈理論中的應(yīng)用任務(wù) 2
1.3 結(jié)構(gòu)熵的應(yīng)用實(shí)例 3
1.3.1 經(jīng)濟(jì)決策中的結(jié)構(gòu)熵分析 3
1.3.2 社會(huì)網(wǎng)絡(luò)分析中的結(jié)構(gòu)熵應(yīng)用 4
1.3.3 信息安全中的結(jié)構(gòu)熵模型 5
1.3.4 博弈論中的結(jié)構(gòu)熵策略 6
1.4 目前的挑戰(zhàn)與局限性 7
1.4.1 理論模型的普適性與局限性 7
1.4.2 實(shí)際應(yīng)用中的數(shù)據(jù)處理難題 7
1.4.3 結(jié)構(gòu)熵計(jì)算的復(fù)雜性 7
1.5 本章小結(jié) 8
第2章 結(jié)構(gòu)熵基礎(chǔ) 9
2.1 香農(nóng)熵 9
2.2 圖結(jié)構(gòu)熵 10
2.3 基礎(chǔ)模型 12
2.3.1 圖結(jié)構(gòu)方法 12
2.3.2 表示學(xué)習(xí) 13
2.3.3 圖聚類技術(shù) 15
2.3.4 強(qiáng)化學(xué)習(xí) 18
2.3.5 多智能體強(qiáng)化學(xué)習(xí) 19
2.4 基礎(chǔ)應(yīng)用技術(shù) 21
2.4.1 圖像分割技術(shù) 21
2.4.2 異常檢測(cè)技術(shù) 22
2.4.3 時(shí)空流量預(yù)測(cè)技術(shù) 24
2.5 感知技術(shù)理論 26
2.6 博弈決策理論 27
2.7 本章小結(jié) 28
第3章 傳統(tǒng)簡(jiǎn)單圖的結(jié)構(gòu)熵理論 30
3.1 表示學(xué)習(xí) 30
3.1.1 基于無(wú)監(jiān)督結(jié)構(gòu)熵的魯棒圖神經(jīng)網(wǎng)絡(luò) 31
3.1.2 基于結(jié)構(gòu)熵信息的多層網(wǎng)絡(luò)表示學(xué)習(xí)模型 36
3.1.3 基于圖熵最大化的圖表示學(xué)習(xí) 38
3.1.4 結(jié)構(gòu)熵指導(dǎo)的基于圖結(jié)構(gòu)的節(jié)點(diǎn)分類學(xué)習(xí) 44
3.2 圖聚類 51
3.2.1 基于結(jié)構(gòu)熵約束的圖聚類方法 51
3.2.2 基于結(jié)構(gòu)熵的精確的圖聚類算法 56
3.2.3 基于結(jié)構(gòu)熵的圖層次池化 60
3.3 本章小結(jié) 64
第4章 復(fù)雜圖的結(jié)構(gòu)熵理論 66
4.1 多關(guān)系圖結(jié)構(gòu)熵計(jì)算理論 66
4.1.1 問(wèn)題概念描述 66
4.1.2 多關(guān)系結(jié)構(gòu)熵 67
4.2 動(dòng)態(tài)圖的結(jié)構(gòu)熵動(dòng)態(tài)測(cè)量 70
4.2.1 基本定義 70
4.2.2 二維編碼樹(shù)的動(dòng)態(tài)調(diào)整策略 71
4.2.3 Incre-2dSE：一種更新二維結(jié)構(gòu)熵的增量度量框架 77
4.2.4 復(fù)雜圖的擴(kuò)展 80
4.3 用于深度圖聚類的洛倫茲結(jié)構(gòu)熵神經(jīng)網(wǎng)絡(luò) 85
4.3.1 問(wèn)題描述 85
4.3.2 可微結(jié)構(gòu)信息 86
4.3.3 LSEnet：洛倫茲結(jié)構(gòu)熵神經(jīng)網(wǎng)絡(luò) 88
4.4 權(quán)重閾值搜索策略的消息圖構(gòu)建 91
4.5 本章小結(jié) 93
第5章 基于結(jié)構(gòu)熵的感知技術(shù) 94
5.1 感知技術(shù)概述 94
5.2 無(wú)監(jiān)督深度圖聚類技術(shù) 95
5.2.1 結(jié)構(gòu)量化 96
5.2.2 結(jié)構(gòu)學(xué)習(xí)層 98
5.2.3 聚類分配層 98
5.2.4 優(yōu)化 99
5.3 無(wú)監(jiān)督異常檢測(cè)技術(shù) 100
5.3.1 基于多尺度超像素圖結(jié)構(gòu)熵最小化的無(wú)監(jiān)督皮膚病變分割 101
5.3.2 基于結(jié)構(gòu)信息理論的無(wú)監(jiān)督社交機(jī)器人檢測(cè) 106
5.3.3 層次增量結(jié)構(gòu)熵最小化用于無(wú)監(jiān)督社交事件檢測(cè) 113
5.3.4 自適應(yīng)差分隱私結(jié)構(gòu)熵最小化用于無(wú)監(jiān)督社交事件檢測(cè) 116
5.3.5 自適應(yīng)魯棒的DBSCAN 與多智能體強(qiáng)化學(xué)習(xí) 120
5.3.6 結(jié)構(gòu)信息引導(dǎo)的層次重構(gòu)用于圖異常檢測(cè) 125
5.4 半監(jiān)督表示學(xué)習(xí)及檢測(cè)技術(shù) 128
5.4.1 基于結(jié)構(gòu)熵優(yōu)化的通用有效圖結(jié)構(gòu)學(xué)習(xí)框架 128
5.4.2 基于不同約束結(jié)構(gòu)熵的半監(jiān)督聚類 133
5.4.3 結(jié)構(gòu)熵引導(dǎo)的多視角對(duì)比學(xué)習(xí)用于社交機(jī)器人檢測(cè) 138
5.4.4 基于不同約束結(jié)構(gòu)熵的可擴(kuò)展半監(jiān)督聚類 144
5.4.5 利用結(jié)構(gòu)信息對(duì)基于圖的假新聞檢測(cè)器進(jìn)行子圖攻擊 151
5.5 有監(jiān)督結(jié)構(gòu)表征與預(yù)測(cè) 156
5.5.1 利用結(jié)構(gòu)熵優(yōu)化進(jìn)行交通預(yù)測(cè)的多范圍時(shí)空變換網(wǎng)絡(luò) 156
5.5.2 圖分類應(yīng)用：層次抽象圖核 162
5.5.3 一種結(jié)構(gòu)熵圖劃分方法 167
5.5.4 利用結(jié)構(gòu)熵和奇異平滑優(yōu)化層次文本分類 170
5.5.5 結(jié)構(gòu)熵引導(dǎo)的概率編碼 175
5.6 本章小結(jié) 178
第6章 應(yīng)用結(jié)構(gòu)熵的博弈決策 180
6.1 強(qiáng)化學(xué)習(xí)概述 180
6.2 高效博弈決策方法 181
6.2.1 利用結(jié)構(gòu)信息原理實(shí)現(xiàn)高效穩(wěn)定角色多智能體協(xié)作 182
6.2.2 利用結(jié)構(gòu)信息原理進(jìn)行層次狀態(tài)抽象 189
6.2.3 利用結(jié)構(gòu)信息原理進(jìn)行有效強(qiáng)化學(xué)習(xí) 195
6.2.4 利用結(jié)構(gòu)信息原理進(jìn)行有效探索 204
6.3 社交水軍對(duì)抗方法 211
6.4 信息商品推薦方法 217
6.4.1 預(yù)訓(xùn)練 219
6.4.2 超圖結(jié)構(gòu)熵 220
6.4.3 超圖池化 223
6.4.4 推薦與優(yōu)化 225
6.4.5 時(shí)間復(fù)雜度分析 227
6.5 社交事件檢測(cè)方法 227
6.6 本章小結(jié) 232
參考文獻(xiàn) 234
后記 241