Transferindlæring med grafneurale netværk
Transferindlæring med grafneurale netværk (GNN'er) tilpasser et GNN, der er fortrænet på et stort kildegrafdatasæt, til en mindre, ofte label-fattig målgrafopgave. Ved at genbruge indlærte node- og kantrepræsentationer opnår denne tilgang stærk forudsigelsesevne, hvor indsamling af tilstrækkelige mærkede grafdata er dyrt eller langsomt – som det er almindeligt inden for kemi, biologi og analyse af sociale netværk.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Transfer Learning with Graph Neural Network (Pre-trained GNN Fine-tuning). ScholarGate. https://scholargate.app/da/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.
- Grafneuralt netværkNetværksanalyse↔ compare
- Transfer Learning med BERT-baseret KlassifikationDyb læring↔ compare
- Transferlæring med konvolutionelle neurale netværkDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →