Semi-überwachtes Graph-neuronales Netz
Ein semi-überwachtes Graph-neuronales Netz (GNN) trainiert ein GNN auf einem Graphen, bei dem nur ein kleiner Teil der Knoten Beschriftungen trägt, und nutzt die Nachbarschafts-Nachrichtenübertragung, um Informationen von beschrifteten Knoten auf unbeschriftete zu verbreiten. Der Ansatz, der durch Kipf und Wellings Graph Convolutional Network von 2017 populär wurde, erreicht eine hohe Genauigkeit bei der Knotenklassifizierung, selbst wenn beschriftete Beispiele spärlich sind.
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. International Conference on Learning Representations (ICLR 2017). link ↗
- Zhou, D., Bousquet, O., Lal, T. N., Weston, J., & Scholkopf, B. (2004). Learning with Local and Global Consistency. Advances in Neural Information Processing Systems (NeurIPS 2004), 17. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Semi-supervised Graph Neural Network (GNN with Label Propagation). ScholarGate. https://scholargate.app/de/deep-learning/semi-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)Deep Learning↔ compare
- Graph Neural NetworkNetzwerkanalyse↔ compare
- Label PropagationMaschinelles Lernen↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →