Heikosti ohjattu graafineuraaliverkko
Heikosti ohjattu graafineuraaliverkko (WS-GNN) on syväoppimiseen perustuva graafimenetelmä, joka oppii graafirakenteisesta datasta – solmuista, kaarista ja niiden attribuuteista – silloin, kun käytettävissä on vain kohinaisia, osittaisia tai epäsuorasti saatuja luokkamerkintöjä. Yhdistämällä GNN-viestinvälityksen kohinankestäviin koulutusstrategioihin se laajentaa graafioppimisen todellisiin ympäristöihin, joissa puhtaita, täysin annotoituja graafeja on niukasti tai niiden hankkiminen on kallista.
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. 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Weakly Supervised Graph Neural Network. ScholarGate. https://scholargate.app/fi/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.
- Graafikonvoluutioverkko (GCN)Syväoppiminen↔ compare
- GraafineuraaliverkkoVerkostoanalyysi↔ compare
- Label PropagationKoneoppiminen↔ compare
- Puoliksi ohjattu graafineuraaliverkkoSyväoppiminen↔ compare
- Heikosti valvottu konvoluutioneuroverkkoSyväoppiminen↔ compare
- Heikosti valvottu TransformerSyväoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →