Graph Convolutional Network
Graph Convolutional Network (GCN) is a foundational deep learning architecture for graph-structured data, introduced by Thomas N. Kipf and Max Welling at ICLR 2017. It extends the convolution operation to irregular graph domains via a first-order spectral approximation, enabling each node to aggregate feature information from its neighbors. The model became the canonical baseline for semi-supervised node classification and sparked the modern graph neural network research agenda.
Catatan sumber
Kutipan disalin apa adanya dari catatan sumber metode. Tidak ada verifikasi tingkat klaim yang disimpulkan darinya.
- 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. · URL
- Hamilton, W. L. (2020). Graph Representation Learning. Morgan & Claypool (Synthesis Lectures on Artificial Intelligence and Machine Learning). · ISBN 978-1-68173-963-2
Klaim yang dikurasi
Klaim tersimpan dalam buku besar bukti, masing-masing dengan penilaiannya sendiri.
Tampilan ini tidak menciptakan penilaian klaim ketika buku besar tidak memilikinya.
Metode terkait
Dihasilkan dari grafik metode dan ditampilkan sebagai relasi yang disarankan mesin — tidak ada klaim bukti yang disimpulkan.