Grafkonvolusjonsnettverk (GCN)
Grafkonvolusjonsnettverk (GCN) er en grunnleggende dyp læringsarkitektur for grafstrukturerte data, introdusert av Thomas N. Kipf og Max Welling på ICLR 2017. Den utvider konvolusjonsoperasjonen til irregulære grafdomener via en spektral approksimasjon av første orden, slik at hver node kan aggregere informasjonsfunksjoner fra sine naboer. Modellen ble den kanoniske baselinen for semi-veiledet nodeklassifisering og satte i gang den moderne forskningsagendaen for grafnevrale nettverk.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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
Slik siterer du denne siden
ScholarGate. (2026, June 3). Graph Convolutional Network (Spectral GCN for Semi-Supervised Node Classification). ScholarGate. https://scholargate.app/no/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.
- Graph Attention NetworkDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →