Grafneuralnätverk — GCN / GAT / GraphSAGE
Ett grafneuralnätverk (GNN) är en djupinlärningsarkitektur som opererar direkt på grafstrukturerad data genom att kombinera nodegenskaper med strukturell information via iterativ grannskapsmeddelandepassering. De tre kanoniska varianterna — Graph Convolutional Network (GCN) introducerat av Kipf och Welling 2017, Graph Attention Network (GAT) introducerat av Veličković et al. 2018, och GraphSAGE — skiljer sig åt i hur de aggregerar granninformation: GCN tillämpar spektral faltning över hela adjacensen, GAT viktar grannar med inlärda uppmärksamhetspoäng, och GraphSAGE samplar och aggregerar lokala grannskap induktivt, vilket möjliggör generalisering till osedda noder.
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.
+7 more
Källor
- Kipf, T.N. & Welling, M. (2017). Semi-Supervised Classification with Graph Convolutional Networks. International Conference on Learning Representations (ICLR). DOI: 10.48550/arXiv.1609.02907 ↗
- Veličković, P., Cucurull, G., Casanova, A., Romero, A., Liò, P., & Bengio, Y. (2018). Graph Attention Networks. International Conference on Learning Representations (ICLR). DOI: 10.48550/arXiv.1710.10903 ↗
- Hamilton, W.L. (2020). Graph Representation Learning. Morgan & Claypool. DOI: 10.1007/978-3-031-01588-5 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 1). Graph Neural Network (GCN / GAT / GraphSAGE). ScholarGate. https://scholargate.app/sv/network-analysis/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.
- CentralitetsanalysNätverksanalys↔ compare
- GemenskapsupptäcktNätverksanalys↔ compare
- Flerskiktsnätverksanalys – MultiplexnätverkNätverksanalys↔ compare
- NätverksinbäddningNätverksanalys↔ compare
- Temporal nätverksanalysNätverksanalys↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →