Pembelajaran Pindahan dengan Rangkaian Neural Graf
Pembelajaran Pindahan dengan Rangkaian Neural Graf (GNN) menyesuaikan GNN yang telah dilatih awal pada set data graf sumber yang besar kepada tugas graf sasaran yang lebih kecil, selalunya kekurangan label. Dengan menggunakan semula perwakilan nod dan tepi yang dipelajari, pendekatan ini mencapai prestasi ramalan yang kukuh apabila pengumpulan data graf berlabel yang mencukupi adalah mahal atau perlahan — seperti yang biasa berlaku dalam kimia, biologi, dan analisis rangkaian sosial.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Transfer Learning with Graph Neural Network (Pre-trained GNN Fine-tuning). ScholarGate. https://scholargate.app/ms/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.
- Graph Neural NetworkAnalisis Rangkaian↔ compare
- Pembelajaran Pemindahan dengan Klasifikasi Berasaskan BERTPembelajaran Mendalam↔ compare
- Pembelajaran Pindahan dengan Rangkaian Neural KonvolusiPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →