شبکه کانولوشن گراف (GCN)
شبکه کانولوشن گراف (GCN) یک معماری یادگیری عمیق بنیادی برای دادههای ساختاریافته گراف است که توسط توماس ان. کیپف و مکس ولینگ در ICLR 2017 معرفی شد. این معماری با استفاده از تقریب طیفی مرتبه اول، عملیات کانولوشن را به دامنههای گراف نامنظم تعمیم میدهد و به هر گره اجازه میدهد تا اطلاعات ویژگی همسایگان خود را تجمیع کند. این مدل به خط مبنای متعارف برای طبقهبندی نیمهنظارتی گره تبدیل شد و دستور کار تحقیقاتی مدرن شبکههای عصبی گراف را آغاز کرد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Graph Convolutional Network (Spectral GCN for Semi-Supervised Node Classification). ScholarGate. https://scholargate.app/fa/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.
- شبکه توجه گرافیادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →