شبکه عصبی گراف ضعیف نظارت شده
شبکه عصبی گراف ضعیف نظارت شده (WS-GNN) یک رویکرد یادگیری عمیق گراف است که از دادههای ساختاریافته گراف - گرهها، یالها و ویژگیهای آنها - زمانی که فقط برچسبهای نویزی، جزئی یا بهطور غیرمستقیم بهدستآمده در دسترس هستند، یاد میگیرد. با جفت کردن انتشار پیام GNN با استراتژیهای آموزش مقاوم در برابر نویز، یادگیری گراف را به تنظیمات دنیای واقعی که گرافهای تمیز و کاملاً حاشیهنویسی شده کمیاب یا گران هستند، گسترش میدهد.
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. 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Weakly Supervised Graph Neural Network. ScholarGate. https://scholargate.app/fa/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.
- شبکه کانولوشن گراف (GCN)یادگیری عمیق↔ compare
- شبکه عصبی گرافتحلیل شبکه↔ compare
- انتشار برچسب (Label Propagation)یادگیری ماشین↔ compare
- شبکه عصبی گراف نیمهنظارتییادگیری عمیق↔ compare
- شبکه عصبی کانولوشنی با نظارت ضعیفیادگیری عمیق↔ compare
- ترنسفورمر با نظارت ضعیفیادگیری عمیق↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →