เปรียบเทียบวิธี

	โครงข่ายประสาทเทียมแบบกราฟกึ่งควบคุม (Semi-supervised Graph Neural Network)	การเรียนรู้แบบกึ่งกำกับดูแล
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2017 (GCN formulation); 2004 (label propagation roots)	1970s–2006 (formalized)
ผู้ริเริ่ม	Kipf, T. N. & Welling, M. (canonical formulation); Zhou et al. (label propagation precursor)	Vapnik, V. N. and others (community of researchers, 1970s–2000s)
ประเภท	Semi-supervised graph representation learning	Learning paradigm
แหล่งต้นตำรับ	Kipf, T. N., & Welling, M. (2017). Semi-Supervised Classification with Graph Convolutional Networks. International Conference on Learning Representations (ICLR 2017).	Chapelle, O., Scholkopf, B., & Zien, A. (Eds.) (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
ชื่อเรียกอื่น	Semi-supervised GNN, GNN semi-supervised learning, graph-based semi-supervised classification, semi-supervised node classification	SSL, semi-supervised machine learning, transductive learning, label-efficient learning
ที่เกี่ยวข้อง	4	5
สรุป	A semi-supervised graph neural network trains a GNN on a graph where only a small fraction of nodes carry labels, using neighborhood message-passing to spread information from labeled nodes to unlabeled ones. The approach, popularised by Kipf and Welling's 2017 Graph Convolutional Network, achieves strong node-classification accuracy even when labeled examples are scarce.	Semi-supervised learning (SSL) is a machine learning paradigm that trains models using a small set of labeled examples together with a much larger pool of unlabeled data. By leveraging the structure inherent in unlabeled data, SSL achieves accuracy closer to fully supervised models while requiring far fewer costly manual labels — making it practical when labeling is expensive, slow, or resource-constrained.