Redes Neuronales de Grafos
- Propuesto por
- Kipf, T.N. & Welling, M.
- Año
- 2017
- Tipo
- Deep learning on graph-structured data
Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés
Revisión científica pendiente.
Las secciones que afirman umbrales universales de tamaño muestral para GNN se retienen hasta su revisión científica. El estudio original no establece un umbral general de idoneidad. Fuente de comparación¿Qué hace?
Una Red Neuronal de Grafos (GNN, por sus siglas en inglés) es un método de aprendizaje profundo, popularizado por Kipf y Welling en 2017 con la Red Convolucional de Grafos, que aprende de las relaciones en estructuras de red (grafos) compuestas por nodos y aristas.
Está diseñada para datos que son naturalmente relacionales, como redes sociales, estructuras moleculares y sistemas de recomendación.
La intuición detrás del método
Muchos tipos de datos no son tablas planas de filas independientes, sino redes de entidades conectadas: personas unidas por amistades, átomos unidos por enlaces, artículos unidos por quién los compra juntos. Una GNN toma esa conectividad en serio. En lugar de mirar cada nodo de forma aislada, permite que cada nodo escuche a sus vecinos y actualice su propia representación basándose en lo que lo rodea, de modo que la estructura del grafo en sí misma se convierte en parte de lo que el modelo aprende.
Historia
Las Redes Neuronales de Grafos entraron en la corriente principal con la Red Convolucional de Grafos de Kipf y Welling en 2017, que enmarcó el aprendizaje en grafos como una forma de convolución basada en vecindarios. Veličković y colegas extendieron la idea en 2018 con las Redes de Atención de Grafos, permitiendo que los nodos ponderen a sus vecinos de manera diferente. La monografía de Hamilton de 2020, Graph Representation Learning, consolidó el campo, y desde entonces las GNN se han convertido en una herramienta estándar para datos relacionales.
Cuándo usarlo
Esta sección está pendiente de revisión científica. No utilice sus condiciones como reglas de selección de métodos.
Texto original pendiente de revisión
Limitaciones y consideraciones
- La fuente no especifica limitaciones; la idoneidad requiere una evaluación aparte.
Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.
Fortalezas
- Aprende directamente de la estructura relacional en lugar de forzar los datos en filas planas.
- Naturalmente adecuada para redes sociales, estructuras moleculares y sistemas de recomendación.
- Pocas suposiciones sobre las distribuciones de características; maneja características de nodos continuas, categóricas y binarias.
- Captura cómo el contexto de un nodo —su vecindario en el grafo— moldea su comportamiento.
Aplicaciones
- Análisis de nodos y enlaces en redes sociales.
- Predicción de propiedades sobre estructuras moleculares.
- Sistemas de recomendación basados en grafos de interacción usuario-artículo.
- Explicación y aprendizaje de relaciones en cualquier conjunto de datos naturalmente conectado.
Cómo funciona
Cómo funciona
Fórmula
h_v^{(l+1)} = \sigma\!\left(\sum_{u \in \mathcal{N}(v)} \frac{1}{c_{vu}} W^{(l)} h_u^{(l)}\right)Métodos relacionados
Fuentes
Kipf, T.N. & Welling, M. (2017). Semi-Supervised Classification with Graph Convolutional Networks. ICLR.
Abrir referencia de la publicaciónCopiado.Veličković, P. et al. (2018). Graph Attention Networks. ICLR.
Abrir referencia de la publicaciónCopiado.Hamilton, W.L. (2020). Graph Representation Learning. Morgan & Claypool.
Abrir referencia DOICopiado.