Las Redes Neuronales de Grafos son redes neuronales adaptadas específicamente a estructuras de grafos, intercambiando información entre nodos y sus vecinos.
La idea básica es que cada nodo actualiza su estado mediante la agregación de características de nodos y aristas vecinas.
Los modelos típicos de GNN utilizan pasos iterativos de intercambio y agregación de mensajes (Message Passing) para capturar información local y global del grafo.
Esta técnica se aplica en áreas como el análisis molecular, sistemas de recomendación y predicciones de redes.
Diversas arquitecturas como las Redes Convolucionales de Grafos (GCN) o las Redes de Atención de Grafos (GAT) amplían el concepto mediante diferentes métodos de agregación y ponderación.