Réseau neuronal graphique semi-supervisé
Un réseau neuronal graphique semi-supervisé entraîne un GNN sur un graphe où seule une petite fraction des nœuds porte des étiquettes, en utilisant la propagation de messages du voisinage pour diffuser l'information des nœuds étiquetés vers les nœuds non étiquetés. L'approche, popularisée par le Graph Convolutional Network de Kipf et Welling en 2017, atteint une forte précision de classification des nœuds même lorsque les exemples étiquetés sont rares.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Carte des méthodes
Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.
Sources
- Kipf, T. N., & Welling, M. (2017). Semi-Supervised Classification with Graph Convolutional Networks. International Conference on Learning Representations (ICLR 2017). link ↗
- Zhou, D., Bousquet, O., Lal, T. N., Weston, J., & Scholkopf, B. (2004). Learning with Local and Global Consistency. Advances in Neural Information Processing Systems (NeurIPS 2004), 17. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Semi-supervised Graph Neural Network (GNN with Label Propagation). ScholarGate. https://scholargate.app/fr/deep-learning/semi-supervised-graph-neural-network
Quelle méthode ?
Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.
- Réseau de neurones convolutifs sur graphes (GCN)Apprentissage profond↔ comparer
- Réseau neuronal à graphesAnalyse de réseaux↔ comparer
- Propagation d'étiquettesApprentissage automatique↔ comparer
- Apprentissage semi-superviséApprentissage automatique↔ comparer
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →