Ülekandeõpe graafineuraalvõrkudega
Ülekandeõpe graafineuraalvõrkudega (GNN) kohandab suures lähtegrafi andmestikus eelnevalt treenitud GNN-i väiksemaks, sageli väheste siltidega sihtgraafi ülesandeks. Taaskasutades õpitud sõlme- ja servarepresentatsioone, saavutab see lähenemisviis tugeva ennustustulemuse, kus piisava sildistatud graafiandmete kogumine on kallis või aeglane – nagu on tavaline keemias, bioloogias ja sotsiaalvõrgustike analüüsis.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Transfer Learning with Graph Neural Network (Pre-trained GNN Fine-tuning). ScholarGate. https://scholargate.app/et/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.
- Graafiline närvivõrkVõrgustikuanalüüs↔ compare
- Ülekandeõpe BERT-põhise klassifitseerimisegaSüvaõpe↔ compare
- Konvolutsioonivõrkude abil ülekantud õppimineSüvaõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →