本书聚焦人工智能科学应用中的感知与博弈技术，以结构熵为核心，深入探讨其在感知与博弈理论中的定义、应用任务及实例。书中详细阐述了结构熵基础，包括香农熵、图结构熵等概念，以及图结构方法、表示学习等基础模型与应用技术。通过对传统简单图和复杂图结构熵理论的研究，展现了结构熵在图数据分析中的重要作用。书中还介绍了基于结构熵的感知技术和博弈决策方法，涵盖无监督异常检测、半监督表示学习等多方面内容。

更多科学出版社服务，请扫码获取。

2007—2011,唐山师范学院，学士 2012—2015，石家庄铁道大学，硕士 2015—2019，国家计算机网络与信息安全管理中心，联合培养博士生 2015—2019，北京航空航天大学，博士 2018—2019，美国伊利诺伊大学芝加哥分校，CSC联合培养博士生2019—2022，北京航天航空大学，讲师 2022—2023，北京航空航天大学，副教授 2024至今，北京航空航天大学，教授网络舆情与内容安全、大数据异常检测、强化学习智能博弈近五年在IEEE TPAMI、TKDE、TPDS、TC、ACM TOIS、JMLR、WWW、NeurIPS、AAAI、IJCAI等国际旗舰学术期刊或会议发表论文100余篇，授权发明专利近30件，第一作者论文获ESI热点论文1篇（ACM TOIS 2021）、高被引论文7篇（IEEE TKDE 2019、2021，TITS 2019，Information Science 2020、2021，IEEE TPAMI 2022，ACM TOIS 2021），国际旗舰学术会议Best Paper Runner Up奖1篇（ACM CIKM 2022），国际旗舰学术会议最佳论文提名4篇（ICDM 2021、CIKM 2022），谷歌学术引用超过7800余次。Springer Nature出版集团旗下JMLC期刊（IF:5.6）编委（Associate Editor）

目录
前言
第1章 绪论 1
1.1 结构熵在感知与博弈理论中的定义 2
1.2 结构熵在感知与博弈理论中的应用任务 2
1.3 结构熵的应用实例 3
1.3.1 经济决策中的结构熵分析 3
1.3.2 社会网络分析中的结构熵应用 4
1.3.3 信息安全中的结构熵模型 5
1.3.4 博弈论中的结构熵策略 6
1.4 目前的挑战与局限性 7
1.4.1 理论模型的普适性与局限性 7
1.4.2 实际应用中的数据处理难题 7
1.4.3 结构熵计算的复杂性 7
1.5 本章小结 8
第2章 结构熵基础 9
2.1 香农熵 9
2.2 图结构熵 10
2.3 基础模型 12
2.3.1 图结构方法 12
2.3.2 表示学习 13
2.3.3 图聚类技术 15
2.3.4 强化学习 18
2.3.5 多智能体强化学习 19
2.4 基础应用技术 21
2.4.1 图像分割技术 21
2.4.2 异常检测技术 22
2.4.3 时空流量预测技术 24
2.5 感知技术理论 26
2.6 博弈决策理论 27
2.7 本章小结 28
第3章 传统简单图的结构熵理论 30
3.1 表示学习 30
3.1.1 基于无监督结构熵的鲁棒图神经网络 31
3.1.2 基于结构熵信息的多层网络表示学习模型 36
3.1.3 基于图熵最大化的图表示学习 38
3.1.4 结构熵指导的基于图结构的节点分类学习 44
3.2 图聚类 51
3.2.1 基于结构熵约束的图聚类方法 51
3.2.2 基于结构熵的精确的图聚类算法 56
3.2.3 基于结构熵的图层次池化 60
3.3 本章小结 64
第4章 复杂图的结构熵理论 66
4.1 多关系图结构熵计算理论 66
4.1.1 问题概念描述 66
4.1.2 多关系结构熵 67
4.2 动态图的结构熵动态测量 70
4.2.1 基本定义 70
4.2.2 二维编码树的动态调整策略 71
4.2.3 Incre-2dSE：一种更新二维结构熵的增量度量框架 77
4.2.4 复杂图的扩展 80
4.3 用于深度图聚类的洛伦兹结构熵神经网络 85
4.3.1 问题描述 85
4.3.2 可微结构信息 86
4.3.3 LSEnet：洛伦兹结构熵神经网络 88
4.4 权重阈值搜索策略的消息图构建 91
4.5 本章小结 93
第5章 基于结构熵的感知技术 94
5.1 感知技术概述 94
5.2 无监督深度图聚类技术 95
5.2.1 结构量化 96
5.2.2 结构学习层 98
5.2.3 聚类分配层 98
5.2.4 优化 99
5.3 无监督异常检测技术 100
5.3.1 基于多尺度超像素图结构熵最小化的无监督皮肤病变分割 101
5.3.2 基于结构信息理论的无监督社交机器人检测 106
5.3.3 层次增量结构熵最小化用于无监督社交事件检测 113
5.3.4 自适应差分隐私结构熵最小化用于无监督社交事件检测 116
5.3.5 自适应鲁棒的DBSCAN 与多智能体强化学习 120
5.3.6 结构信息引导的层次重构用于图异常检测 125
5.4 半监督表示学习及检测技术 128
5.4.1 基于结构熵优化的通用有效图结构学习框架 128
5.4.2 基于不同约束结构熵的半监督聚类 133
5.4.3 结构熵引导的多视角对比学习用于社交机器人检测 138
5.4.4 基于不同约束结构熵的可扩展半监督聚类 144
5.4.5 利用结构信息对基于图的假新闻检测器进行子图攻击 151
5.5 有监督结构表征与预测 156
5.5.1 利用结构熵优化进行交通预测的多范围时空变换网络 156
5.5.2 图分类应用：层次抽象图核 162
5.5.3 一种结构熵图划分方法 167
5.5.4 利用结构熵和奇异平滑优化层次文本分类 170
5.5.5 结构熵引导的概率编码 175
5.6 本章小结 178
第6章 应用结构熵的博弈决策 180
6.1 强化学习概述 180
6.2 高效博弈决策方法 181
6.2.1 利用结构信息原理实现高效稳定角色多智能体协作 182
6.2.2 利用结构信息原理进行层次状态抽象 189
6.2.3 利用结构信息原理进行有效强化学习 195
6.2.4 利用结构信息原理进行有效探索 204
6.3 社交水军对抗方法 211
6.4 信息商品推荐方法 217
6.4.1 预训练 219
6.4.2 超图结构熵 220
6.4.3 超图池化 223
6.4.4 推荐与优化 225
6.4.5 时间复杂度分析 227
6.5 社交事件检测方法 227
6.6 本章小结 232
参考文献 234
后记 241