Transferinlärning med grafneurala nätverk
Transferinlärning med grafneurala nätverk (GNN) anpassar ett GNN som förtränats på en stor källdatauppsättning av grafer till en mindre, ofta etikettfattig, målgrafuppgift. Genom att återanvända inlärda nod- och kantrepresentationer uppnår detta tillvägagångssätt stark prediktiv prestanda där insamling av tillräcklig märkt grafdata är dyr eller långsam – vilket är vanligt inom kemi, biologi och analys av sociala 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
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Transfer Learning with Graph Neural Network (Pre-trained GNN Fine-tuning). ScholarGate. https://scholargate.app/sv/deep-learning/transfer-learning-with-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.
- GrafneuralnätverkNätverksanalys↔ compare
- Transfer Learning med BERT-baserad KlassificeringDjupinlärning↔ compare
- Överföringsinlärning med faltningsneurala nätverkDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →