Schwaches Graph-Neuronales Netz (Weakly Supervised Graph Neural Network, WS-GNN)
Ein schwaches Graph-Neuronales Netz (WS-GNN) ist ein Deep-Learning-Ansatz für Graphen, der aus graph-strukturierten Daten – Knoten, Kanten und deren Attribute – lernt, wenn nur verrauschte, partielle oder indirekt erhaltene Labels verfügbar sind. Durch die Kopplung von GNN-Nachrichtenweitergabe mit rauschresistenten Trainingsstrategien erweitert es das Graph-Lernen auf reale Szenarien, in denen saubere, vollständig annotierte Graphen knapp oder teuer zu beschaffen 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. 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Weakly Supervised Graph Neural Network. ScholarGate. https://scholargate.app/de/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)Deep Learning↔ compare
- Graph Neural NetworkNetzwerkanalyse↔ compare
- Label PropagationMaschinelles Lernen↔ compare
- Semi-überwachtes Graph-neuronales NetzDeep Learning↔ compare
- Schwache CNNs (Weakly Supervised Convolutional Neural Network)Deep Learning↔ compare
- Schwach überwachter TransformerDeep Learning↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →