Zobrazeno 1 - 10
of 61
pro vyhledávání: '"Semi-supervised node classification"'
Publikováno v:
AI Open, Vol 4, Iss , Pp 73-79 (2023)
We present batch virtual adversarial training (BVAT), a novel regularization method for graph convolutional networks (GCNs). BVAT addresses the issue that GCNs do not ensure the smoothness of the model’s output distribution against local perturbati
Externí odkaz:
https://doaj.org/article/153ac847b29748f2be5fa7209bc3eadd
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
IEEE Access, Vol 9, Pp 31268-31275 (2021)
Existing popular methods for semi-supervised node classification with high-order convolution improve the learning ability of graph convolutional networks (GCNs) by capturing the feature information from high-order neighborhoods. However, these method
Externí odkaz:
https://doaj.org/article/841b3732afa8498884435a6b44333d8c
Publikováno v:
IEEE Access, Vol 9, Pp 9218-9234 (2021)
Graph Neural Networks (GNNs) have been applied in many fields of semi-supervised node classification for non-Euclidean data. However, some GNNs cannot make good use of positive information brought by nodes which are far away from each central node fo
Externí odkaz:
https://doaj.org/article/13447a1e43dc4812b0a160641348a593
Autor:
Jianhe Li, Suohai Fan
Publikováno v:
Algorithms, Vol 16, Iss 3, p 126 (2023)
In recent years, graph neural networks (GNNs) have played an important role in graph representation learning and have successfully achieved excellent results in semi-supervised classification. However, these GNNs often neglect the global smoothing of
Externí odkaz:
https://doaj.org/article/59987e3d0f034be38ecd38d6dd40fbde
Bet-GAT: An Efficient Centrality-Based Graph Attention Model for Semi-Supervised Node Classification
Publikováno v:
Applied Sciences, Vol 13, Iss 2, p 847 (2023)
Graph Neural Networks (GNNs) have witnessed great advancement in the field of neural networks for processing graph datasets. Graph Convolutional Networks (GCNs) have outperformed current models/algorithms in accomplishing tasks such as semi-supervise
Externí odkaz:
https://doaj.org/article/30200d17b58447219fa2f02dc570109b
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.