Трансферно обучение с Графови Невронни Мрежи
Трансферното обучение с графови невронни мрежи (ГНМ) адаптира предварително обучена ГНМ върху голям изходен набор от графови данни към по-малка, често бедна на етикети целева графова задача. Чрез повторно използване на научените представяния на възли и ребра, този подход постига силна предсказваща производителност, когато събирането на достатъчно етикетирани графови данни е скъпо или бавно — както е обичайно в химията, биологията и анализа на социални мрежи.
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
- Hu, W., Liu, B., Gomes, J., Zitnik, M., Liang, P., Pande, V., & Leskovec, J. (2020). Strategies for Pre-training Graph Neural Networks. In International Conference on Learning Representations (ICLR 2020). link ↗
- Pan, S. J., & Yang, Q. (2010). A survey on transfer learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. DOI: 10.1109/TKDE.2009.191 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Transfer Learning with Graph Neural Network (Pre-trained GNN Fine-tuning). ScholarGate. https://scholargate.app/bg/deep-learning/transfer-learning-with-graph-neural-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.
- Графови невронни мрежиМрежови анализ↔ compare
- Трансферно обучение с класификация, базирана на BERTДълбоко обучение↔ compare
- Трансферно обучение с конволюционна невронна мрежаДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →