Sieci konwolucyjne grafów (GCN)
Sieci konwolucyjne grafów (GCN) to fundamentalna architektura głębokiego uczenia dla danych o strukturze grafowej, wprowadzona przez Thomasa N. Kipfa i Maxa Wellinga na konferencji ICLR 2017. Rozszerza ona operację konwolucji na nieregularne domeny grafowe poprzez aproksymację spektralną pierwszego rzędu, umożliwiając każdemu węzłowi agregację informacji o cechach od swoich sąsiadów. Model stał się kanoniczną bazą odniesienia dla półnadzorowanej klasyfikacji węzłów i zapoczątkował współczesny program badawczy dotyczący grafowych sieci neuronowych.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 3). Graph Convolutional Network (Spectral GCN for Semi-Supervised Node Classification). ScholarGate. https://scholargate.app/pl/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.
- Sieć uwagi grafowejUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →