Svagt övervakade grafneurala nätverk
Ett svagt övervakat grafneuralt nätverk (WS-GNN) är en graf-djupinlärningsmetod som lär sig från grafstrukturerad data – noder, kanter och deras attribut – när endast brusiga, partiella eller indirekt erhållna etiketter är tillgängliga. Genom att koppla GNN-meddelandepassering med brusrobust träningsstrategier, utökar den grafinlärning till verkliga scenarier där rena, fullständigt annoterade grafer är sällsynta eller dyra att erhålla.
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. 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Weakly Supervised Graph Neural Network. ScholarGate. https://scholargate.app/sv/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.
- Grafkonvolutionellt nätverk (GCN)Djupinlärning↔ compare
- GrafneuralnätverkNätverksanalys↔ compare
- EtikettpropageringMaskininlärning↔ compare
- Semi-övervakad graf-neuralt nätverkDjupinlärning↔ compare
- Svagt övervakad faltningsnät (CNN)Djupinlärning↔ compare
- Svag övervakad TransformerDjupinlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →