Graph Convolutional Network (GCN)
Graph Convolutional Network (GCN) è un'architettura fondamentale di deep learning per dati strutturati a grafo, introdotta da Thomas N. Kipf e Max Welling a ICLR 2017. Estende l'operazione di convoluzione a domini di grafo irregolari tramite un'approssimazione spettrale del primo ordine, consentendo a ciascun nodo di aggregare informazioni sulle feature dai suoi vicini. Il modello è diventato il baseline canonico per la classificazione semi-supervisionata dei nodi e ha dato il via all'agenda di ricerca moderna sulle reti neurali per grafi.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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
Come citare questa pagina
ScholarGate. (2026, June 3). Graph Convolutional Network (Spectral GCN for Semi-Supervised Node Classification). ScholarGate. https://scholargate.app/it/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.
- Rete di Attenzione su GrafoApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →