Transferlernen mit Graph Neural Networks
Transferlernen mit Graph Neural Networks (GNNs) passt ein GNN, das auf einem großen Quell-Graphdatensatz vortrainiert wurde, an eine kleinere, oft labelarme Ziel-Graphaufgabe an. Durch die Wiederverwendung gelernter Knoten- und Kantenrepräsentationen erzielt dieser Ansatz eine starke prädiktive Leistung, wo die Sammlung ausreichender gelabelter Graphdaten teuer oder langsam ist – wie häufig in der Chemie, Biologie und der Analyse sozialer Netzwerke.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Transfer Learning with Graph Neural Network (Pre-trained GNN Fine-tuning). ScholarGate. https://scholargate.app/de/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.
- Graph Neural NetworkNetzwerkanalyse↔ compare
- Transfer Learning mit BERT-basierter KlassifikationDeep Learning↔ compare
- Transfer Learning mit Convolutional Neural NetworkDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →