Rede Convolucional de Grafos (GCN)
A Rede Convolucional de Grafos (GCN) é uma arquitetura fundamental de aprendizado profundo para dados estruturados em grafos, introduzida por Thomas N. Kipf e Max Welling na ICLR 2017. Ela estende a operação de convolução para domínios de grafos irregulares via uma aproximação espectral de primeira ordem, permitindo que cada nó agregue informações de características de seus vizinhos. O modelo tornou-se a linha de base canônica para classificação de nós semi-supervisionada e impulsionou a agenda moderna de pesquisa em redes neurais de grafos.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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
Como citar esta página
ScholarGate. (2026, June 3). Graph Convolutional Network (Spectral GCN for Semi-Supervised Node Classification). ScholarGate. https://scholargate.app/pt/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 NetworkAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →