Las Redes Neuronales de Grafos (GNNs) son modelos neuronales que operan sobre grafos G = (V, E), donde V es el conjunto de nodos y E el conjunto de aristas.
La operación central en las GNNs es el paso iterativo de mensajes (Message Passing), en el que para cada nodo v ∈ V se calcula un vector mejorado de representación del nodo h_v^{(k)} en la k-ésima capa mediante la agregación de las representaciones de sus vecinos:
h_v^{(k)} = σ \left( W^{(k)} \cdot \text{AGGREGATE} \left( \{ h_u^{(k-1)} : u \in \mathcal{N}(v) \} \right) + b^{(k)} \right)
Aquí, σ es una función de activación, W^{(k)} y b^{(k)} son parámetros aprendibles, y \mathcal{N}(v) es la vecindad de v.
La función de agregación puede adoptar diversas formas, como media, suma o combinaciones ponderadas, como en las Graph Attention Networks (Velickovic et al., 2018).
Las GNNs permiten modelar estructuras relacionales complejas y se utilizan con éxito en muchos dominios, incluyendo la quimioinformática, redes sociales y grafos de conocimiento.
Definición:
Las Redes Neuronales de Grafos son redes neuronales que aprenden mediante la agregación y transformación iterativa de información del vecindario en grafos para generar representaciones de nodos, aristas o grafos.
Fuente:
Wu, Z., Pan, S., Chen, F., Long, G., Zhang, C., & Philip, S. Y. (2021). A Comprehensive Survey on Graph Neural Networks. IEEE Transactions on Neural Networks and Learning Systems.