Pārneses mācīšanās ar grafu neironu tīkliem
Pārneses mācīšanās ar grafu neironu tīkliem (GNN) pielāgo lielā avota grafu datu kopā iepriekš apmācītu GNN mazākai, bieži vien ar maz etiķetēm apzīmētai mērķa grafu uzdevumam. Atkārtoti izmantojot apgūtās mezglu un malu reprezentācijas, šī pieeja nodrošina spēcīgu prognozēšanas veiktspēju gadījumos, kad pietiekamu etiķetēto grafu datu iegūšana ir dārga vai lēna — kā tas bieži notiek ķīmijas, bioloģijas un sociālo tīklu analīzē.
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
- Hu, W., Liu, B., Gomes, J., Zitnik, M., Liang, P., Pande, V., & Leskovec, J. (2020). Strategies for Pre-training Graph Neural Networks. In International Conference on Learning Representations (ICLR 2020). link ↗
- Pan, S. J., & Yang, Q. (2010). A survey on transfer learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. DOI: 10.1109/TKDE.2009.191 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Transfer Learning with Graph Neural Network (Pre-trained GNN Fine-tuning). ScholarGate. https://scholargate.app/lv/deep-learning/transfer-learning-with-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.
- Grafu neironu tīklsTīklu analīze↔ compare
- Pārneses apmācība ar BERT bāzētu klasifikācijuDziļā mācīšanās↔ compare
- Pārneses apmācība ar konvolucionālo neironu tīkluDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →