Графови конволюционни мрежи (GCN)
Графовите конволюционни мрежи (GCN) са основополагаща архитектура за дълбоко обучение върху данни със структура на граф, представена от Томас Н. Кипф и Макс Уелинг на ICLR 2017. Те разширяват операцията на конволюция към нерегулярни графови области чрез спектрална апроксимация от първи ред, позволявайки на всеки възел да агрегира информация за характеристиките от своите съседи. Моделът стана канонична базова линия за полу-наблюдавано класифициране на възли и постави началото на съвременната изследователска програма за невронни мрежи върху графи.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Kipf, T. N., & Welling, M. (2017). Semi-Supervised Classification with Graph Convolutional Networks. Proceedings of the 5th International Conference on Learning Representations (ICLR 2017), Toulon, France. link ↗
- Hamilton, W. L. (2020). Graph Representation Learning. Morgan & Claypool (Synthesis Lectures on Artificial Intelligence and Machine Learning). ISBN: 978-1-68173-963-2
Как да цитирате тази страница
ScholarGate. (2026, June 3). Graph Convolutional Network (Spectral GCN for Semi-Supervised Node Classification). ScholarGate. https://scholargate.app/bg/deep-learning/graph-convolutional-network
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Графова невронна мрежа с внимание (GAT)Дълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →