Graph Convolutional Network (GCN)
Graph Convolutional Network (GCN) ir pamat-arhitektūra dziļajai mācīšanai uz grafu struktūras datiem, ko 2017. gadā ICLR konferencē ieviesa Thomas N. Kipf un Max Welling. Tā paplašina konvolūcijas operāciju uz neregulāriem grafu domēniem, izmantojot pirmās kārtas spektrālo aproksimāciju, ļaujot katram mezglam agregēt informāciju no saviem kaimiņiem. Šis modelis kļuva par kanonisko etalonu pus-uzraudzītai mezglu klasifikācijai un aizsāka mūsdienu grafu neironu tīklu pētniecības programmu.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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
Kā citēt šo lapu
ScholarGate. (2026, June 3). Graph Convolutional Network (Spectral GCN for Semi-Supervised Node Classification). ScholarGate. https://scholargate.app/lv/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 →Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →