Siirto-oppiminen graafiverkoilla
Siirto-oppiminen graafiverkoilla (GNN) tarkoittaa suuren lähdeaineiston perusteella esikoulutetun GNN:n soveltamista pienempään, usein niukasti annotoituun kohdegraafitehtävään. Uudelleenkäyttämällä opittuja solmu- ja reunapiirteitä tämä lähestymistapa saavuttaa vahvan ennustuskyvyn tilanteissa, joissa riittävän annotoidun graafiaineiston kerääminen on kallista tai hidasta – kuten kemiassa, biologiassa ja sosiaalisten verkostojen analyysissä.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Transfer Learning with Graph Neural Network (Pre-trained GNN Fine-tuning). ScholarGate. https://scholargate.app/fi/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.
- GraafineuraaliverkkoVerkostoanalyysi↔ compare
- Siirto-oppiminen BERT-pohjaisella luokittelullaSyväoppiminen↔ compare
- Siirto-oppiminen konvoluutionaalisella neuroverkollaSyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →