Graph Neural Network
Ein Graph Neural Network (GNN) ist eine Deep-Learning-Methode, die 2017 von Kipf und Welling mit dem Graph Convolutional Network populär gemacht wurde und aus den Beziehungen in Netzwerk- (Graph-) Strukturen lernt, die aus Knoten und Kanten bestehen. Es ist für Daten konzipiert, die von Natur aus relational sind, wie soziale Netzwerke, molekulare Strukturen und Empfehlungssysteme.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Kipf, T.N. & Welling, M. (2017). Semi-Supervised Classification with Graph Convolutional Networks. ICLR. link ↗
- Veličković, P. et al. (2018). Graph Attention Networks. ICLR. link ↗
- Hamilton, W.L. (2020). Graph Representation Learning. Morgan & Claypool. DOI: 10.1007/978-3-031-01588-5 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Graph Neural Network (GNN). ScholarGate. https://scholargate.app/de/deep-learning/gnn
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.
- CNN-BildklassifikationDeep Learning↔ compare
- Random ForestMaschinelles Lernen↔ compare
- Support Vector Machine (Klassifikation)Maschinelles Lernen↔ compare
- XGBoostMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →