Трансферное обучение с использованием графовых нейронных сетей
Трансферное обучение с использованием графовых нейронных сетей (GNNs) адаптирует GNN, предварительно обученную на большом исходном наборе графовых данных, для решения небольшой, часто дефицитной по меткам, целевой графовой задачи. Повторно используя изученные представления узлов и ребер, этот подход достигает высокой прогностической производительности там, где сбор достаточного количества размеченных графовых данных является дорогостоящим или медленным — как это часто бывает в химии, биологии и анализе социальных сетей.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Карта метода
Окружение родственных методов — выберите узел, чтобы перейти к нему.
Источники
- Hu, W., Liu, B., Gomes, J., Zitnik, M., Liang, P., Pande, V., & Leskovec, J. (2020). Strategies for Pre-training Graph Neural Networks. In International Conference on Learning Representations (ICLR 2020). link ↗
- Pan, S. J., & Yang, Q. (2010). A survey on transfer learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. DOI: 10.1109/TKDE.2009.191 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Transfer Learning with Graph Neural Network (Pre-trained GNN Fine-tuning). ScholarGate. https://scholargate.app/ru/deep-learning/transfer-learning-with-graph-neural-network
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- Графовая нейронная сетьСетевой анализ↔ сравнить
- Трансферное обучение с классификацией на основе BERTГлубокое обучение↔ сравнить
- Transfer Learning with Convolutional Neural NetworkГлубокое обучение↔ сравнить
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →