Графовая свёрточная сеть (GCN)
Графовая свёрточная сеть (GCN) — это основополагающая архитектура глубокого обучения для данных графовой структуры, представленная Томасом Н. Кипфом и Максом Веллингом на конференции ICLR 2017. Она расширяет операцию свёртки на нерегулярные графовые области посредством спектральной аппроксимации первого порядка, позволяя каждому узлу агрегировать информацию о признаках от своих соседей. Модель стала канонической базовой линией для полуконтролируемой классификации узлов и положила начало современной повестке исследований графовых нейронных сетей.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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
Как цитировать эту страницу
ScholarGate. (2026, June 3). Graph Convolutional Network (Spectral GCN for Semi-Supervised Node Classification). ScholarGate. https://scholargate.app/ru/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.
- Графовая сеть внимания (Graph Attention Network, GAT)Глубокое обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →