Grafovni konvolucijski mreža (GCN)
Grafovni konvolucijski mreža (GCN) temeljna je arhitektura dubokog učenja za podatke strukturirane grafom, koju su predstavili Thomas N. Kipf i Max Welling na konferenciji ICLR 2017. Ona proširuje konvolucijsku operaciju na nepravilne grafovne domene putem spektralne aproksimacije prvog reda, omogućujući svakom čvoru agregaciju informacija o značajkama njegovih susjeda. Model je postao kanonski bazni model za polusamostalnu klasifikaciju čvorova i potaknuo moderni istraživački program grafovnih neuronskih mreža.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Graph Convolutional Network (Spectral GCN for Semi-Supervised Node Classification). ScholarGate. https://scholargate.app/hr/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.
Compare side by side →Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →