Weakly supervised graph neural network
A Weakly Supervised Graph Neural Network (WS-GNN) is a graph deep-learning approach that learns from graph-structured data — nodes, edges, and their attributes — when only noisy, partial, or indirectly obtained labels are available. By coupling GNN message passing with noise-robust training strategies, it extends graph learning to real-world settings where clean, fully annotated graphs are scarce or expensive to obtain.
Källpost
Citat kopierade ordagrant från metodens källpost. Ingen verifiering på källnivå härleds från dem.
- 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). · URL
- 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
Kuraterade påståenden
Påståenden lagrade i bevisloggen, var och en med sin egen bedömning.
Denna vy hittar inte på en påståendebedömning när loggen saknar en.
Relaterade metoder
Genererade från metodgrafen och visade som maskinföreslagna relationer – inga bevispåståenden härleds.