Jaringan Saraf Graf Berpengawasan Lemah
Jaringan Saraf Graf Berpengawasan Lemah (WS-GNN) adalah pendekatan pembelajaran mendalam graf yang belajar dari data terstruktur graf — node, edge, dan atributnya — ketika hanya label yang berisik, parsial, atau diperoleh secara tidak langsung yang tersedia. Dengan menggabungkan penyebaran pesan GNN dengan strategi pelatihan yang kuat terhadap kebisingan, ia memperluas pembelajaran graf ke pengaturan dunia nyata di mana graf yang bersih dan dianotasi penuh jarang atau mahal untuk diperoleh.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Weakly Supervised Graph Neural Network. ScholarGate. https://scholargate.app/id/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.
- Jaringan Konvolusional Graf (GCN)Pembelajaran Mendalam↔ compare
- Jaringan Saraf GrafAnalisis Jaringan↔ compare
- Propagasi LabelPembelajaran Mesin↔ compare
- Jaringan Saraf Graf Semi-TerawasiPembelajaran Mendalam↔ compare
- Jaringan Saraf Konvolusional yang Diawasi Secara LemahPembelajaran Mendalam↔ compare
- Transformer Supervised LemahPembelajaran Mendalam↔ compare
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →