Weakly supervised graph neural network
A Weakly Supervised Graph Neural Network (WS-GNN) is a graph deep-learning approach that learns from graph-structured data — nodes, edges, and their attributes — when only noisy, partial, or indirectly obtained labels are available. By coupling GNN message passing with noise-robust training strategies, it extends graph learning to real-world settings where clean, fully annotated graphs are scarce or expensive to obtain.
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. In Proceedings of the 5th International Conference on Learning Representations (ICLR 2017). · URL
- 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
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.