Svagt overvåget graf neuralt netværk
Et svagt overvåget graf neuralt netværk (WS-GNN) er en graf dyb lærings-tilgang, der lærer fra graf-strukturerede data — knuder, kanter og deres attributter — når kun støjende, delvise eller indirekte opnåede etiketter er tilgængelige. Ved at koble GNN-beskedpassage med støj-robuste træningsstrategier udvider den graf-læring til virkelige scenarier, hvor rene, fuldt annoterede grafer er sjældne eller dyre at opnå.
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
- Kipf, T. N., & Welling, M. (2017). Semi-supervised classification with graph convolutional networks. In Proceedings of the 5th International Conference on Learning Representations (ICLR 2017). link ↗
- Zhou, J., Cui, G., Hu, S., Zhang, Z., Yang, C., Liu, Z., Wang, L., Li, C., & Sun, M. (2020). Graph neural networks: A review of methods and applications. AI Open, 1, 57–81. DOI: 10.1016/j.aiopen.2021.01.001 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Weakly Supervised Graph Neural Network. ScholarGate. https://scholargate.app/da/deep-learning/weakly-supervised-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.
- Graph Convolutional Network (GCN)Dyb læring↔ compare
- Grafneuralt netværkNetværksanalyse↔ compare
- Label PropagationMaskinlæring↔ compare
- Semi-overvåget grafneuralt netværkDyb læring↔ compare
- Svagt overvåget konvolutionelt neuralt netværkDyb læring↔ compare
- Svagt superviseret TransformerDyb læring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →