Rede Neural em Grafos Fracamente Supervisionada
Uma Rede Neural em Grafos Fracamente Supervisionada (WS-GNN) é uma abordagem de aprendizado profundo em grafos que aprende a partir de dados estruturados em grafos — nós, arestas e seus atributos — quando apenas rótulos ruidosos, parciais ou obtidos indiretamente estão disponíveis. Ao acoplar a passagem de mensagens de GNN com estratégias de treinamento robustas a ruído, ela estende o aprendizado em grafos para cenários do mundo real onde grafos limpos e totalmente anotados são escassos ou caros de obter.
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. 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Weakly Supervised Graph Neural Network. ScholarGate. https://scholargate.app/pt/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.
- Rede Convolucional de Grafos (GCN)Aprendizado profundo↔ compare
- Rede Neural em GrafosAnálise de redes↔ compare
- Propagação de RótulosAprendizado de máquina↔ compare
- Rede Neural de Grafo SemissupervisionadaAprendizado profundo↔ compare
- Rede neural convolucional fracamente supervisionadaAprendizado profundo↔ compare
- Transformer Supervisionada FracamenteAprendizado profundo↔ compare
Encontrou um problema nesta página? Relate ou sugira uma correção →