Grafkonvolutionellt nätverk (GCN)
Grafkonvolutionellt nätverk (GCN) är en grundläggande djupinlärningsarkitektur för grafstrukturerad data, introducerad av Thomas N. Kipf och Max Welling vid ICLR 2017. Den utvidgar konvolutionoperationen till oregelbundna grafdomäner via en spektral approximation av första ordningen, vilket gör det möjligt för varje nod att aggregera funktionsinformation från sina grannar. Modellen blev den kanoniska baslinjen för semisuperviserad nodklassificering och initierade den moderna forskningsagendan för grafneurala nätverk.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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
Så citerar du den här sidan
ScholarGate. (2026, June 3). Graph Convolutional Network (Spectral GCN for Semi-Supervised Node Classification). ScholarGate. https://scholargate.app/sv/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.
- GrafuppmärksamhetsnätverkDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →