Réseau de neurones convolutifs sur graphes (GCN)
Le réseau de neurones convolutifs sur graphes (GCN) est une architecture fondamentale d'apprentissage profond pour les données structurées en graphes, introduite par Thomas N. Kipf et Max Welling à l'ICLR 2017. Il étend l'opération de convolution aux domaines de graphes irréguliers via une approximation spectrale du premier ordre, permettant à chaque nœud d'agréger des informations de caractéristiques de ses voisins. Le modèle est devenu la référence canonique pour la classification semi-supervisée de nœuds et a lancé l'agenda de recherche moderne sur les réseaux de neurones sur graphes.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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
Comment citer cette page
ScholarGate. (2026, June 3). Graph Convolutional Network (Spectral GCN for Semi-Supervised Node Classification). ScholarGate. https://scholargate.app/fr/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.
- Réseau d'attention sur grapheApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →