โครงข่ายประสาทเทียมกราฟ
โครงข่ายประสาทเทียมกราฟ (Graph Neural Network: GNN) เป็นวิธีการเรียนรู้เชิงลึก (deep learning) ซึ่งได้รับความนิยมจาก Kipf และ Welling ในปี 2017 ด้วยโครงข่ายประสาทเทียมเชิงสังวัตนาการกราฟ (Graph Convolutional Network) ที่เรียนรู้จากความสัมพันธ์ในโครงสร้างเครือข่าย (กราฟ) ที่ประกอบด้วยโหนด (nodes) และเส้นเชื่อม (edges) วิธีการนี้ออกแบบมาสำหรับข้อมูลที่มีลักษณะเชิงสัมพันธ์โดยธรรมชาติ เช่น เครือข่ายสังคม โครงสร้างโมเลกุล และระบบแนะนำสินค้า
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Kipf, T.N. & Welling, M. (2017). Semi-Supervised Classification with Graph Convolutional Networks. ICLR. link ↗
- Veličković, P. et al. (2018). Graph Attention Networks. ICLR. link ↗
- Hamilton, W.L. (2020). Graph Representation Learning. Morgan & Claypool. DOI: 10.1007/978-3-031-01588-5 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 1). Graph Neural Network (GNN). ScholarGate. https://scholargate.app/th/deep-learning/gnn
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.
- การจำแนกภาพด้วยโครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN Image Classification)การเรียนรู้เชิงลึก↔ compare
- Random Forestการเรียนรู้ของเครื่อง↔ compare
- Support Vector Machineการเรียนรู้ของเครื่อง↔ compare
- XGBoostการเรียนรู้ของเครื่อง↔ compare