Rangkaian Saraf Graf Berawasi Lemah
Rangkaian Saraf Graf Berawasi Lemah (WS-GNN) ialah pendekatan pembelajaran mendalam graf yang belajar daripada data berstruktur graf — nodus, tepi, dan atributnya — apabila hanya label yang berisiko, separa, atau diperoleh secara tidak langsung tersedia. Dengan menggandingkan penghantaran mesej GNN dengan strategi latihan yang kalis hingar, ia meluaskan pembelajaran graf kepada tetapan dunia sebenar di mana graf yang bersih dan dianotasi sepenuhnya jarang ditemui atau mahal untuk diperoleh.
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
- 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). link ↗
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Weakly Supervised Graph Neural Network. ScholarGate. https://scholargate.app/ms/deep-learning/weakly-supervised-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.
- Rangkaian Konvolusional Graf (GCN)Pembelajaran Mendalam↔ compare
- Graph Neural NetworkAnalisis Rangkaian↔ compare
- Label PropagationPembelajaran Mesin↔ compare
- Rangkaian Saraf Graf Separuh SeliaPembelajaran Mendalam↔ compare
- Rangkaian Saraf Konvolusional (CNN) Berwaswasan LemahPembelajaran Mendalam↔ compare
- Transformer Berpenyeliaan LemahPembelajaran Mendalam↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →