Graph Convolutional Network (GCN)
Graph Convolutional Network (GCN) ist eine grundlegende Deep-Learning-Architektur für graphenstrukturierte Daten, die 2017 von Thomas N. Kipf und Max Welling auf der ICLR vorgestellt wurde. Sie erweitert die Faltungsoperation auf unregelmäßige Graphdomänen mittels einer spektralen Approximation erster Ordnung, wodurch jeder Knoten Merkmalsinformationen von seinen Nachbarn aggregieren kann. Das Modell wurde zum kanonischen Basismodell für die semi-überwachte Knotenklassifizierung und legte den Grundstein für die moderne Forschung an Graph-Neuronalen Netzen.
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. 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Graph Convolutional Network (Spectral GCN for Semi-Supervised Node Classification). ScholarGate. https://scholargate.app/de/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.
- Graph Attention NetworkDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →