Graafineuraaliverkko
Graafineuraaliverkko (GNN) on syväoppimismenetelmä, jonka Kipf ja Welling popularisoivat vuonna 2017 Graph Convolutional Network -mallilla. Se oppii verkosto- (graafi-) rakenteiden solmujen ja kaarten välisistä suhteista. Se on suunniteltu luonnostaan relationaalista dataa varten, kuten sosiaaliset verkot, molekyylirakenteet ja suositusjärjestelmät.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Kipf, T.N. & Welling, M. (2017). Semi-Supervised Classification with Graph Convolutional Networks. ICLR. link ↗
- Veličković, P. et al. (2018). Graph Attention Networks. ICLR. link ↗
- Hamilton, W.L. (2020). Graph Representation Learning. Morgan & Claypool. DOI: 10.1007/978-3-031-01588-5 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 1). Graph Neural Network (GNN). ScholarGate. https://scholargate.app/fi/deep-learning/gnn
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.
- CNN-kuvaluokitteluSyväoppiminen↔ compare
- Random ForestKoneoppiminen↔ compare
- Tukivektorikone (luokittelu)Koneoppiminen↔ compare
- XGBoostKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →