Skip to content
Voltar aos resultados

Rede Neural de Grafos

Proposto por
Kipf, T.N. & Welling, M.
Ano
2017
Tipo
Deep learning on graph-structured data

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

Revisão científica pendente.

As seções que afirmam limiares universais de tamanho amostral para GNN estão retidas até a revisão científica. O estudo original não estabelece um limiar geral de elegibilidade. Fonte da comparação

O que ele faz?

Uma Rede Neural de Grafos (GNN) é um método de aprendizado profundo, popularizado por Kipf e Welling em 2017 com a Rede Neural Convolucional de Grafos, que aprende a partir das relações em estruturas de rede (grafos) compostas por nós e arestas.

É projetada para dados que são naturalmente relacionais, como redes sociais, estruturas moleculares e sistemas de recomendação.

A intuição por trás do método

Muitos tipos de dados não são tabelas planas de linhas independentes, mas sim teias de entidades conectadas: pessoas ligadas por amizades, átomos ligados por ligações, itens ligados por quem os compra juntos. Uma GNN leva essa conectividade a sério. Em vez de olhar para cada nó isoladamente, ela permite que cada nó ouça seus vizinhos e atualize sua própria representação com base no que o cerca, de modo que a própria estrutura do grafo se torna parte do que o modelo aprende.

História

As Redes Neurais de Grafos entraram para o mainstream com a Rede Neural Convolucional de Grafos de Kipf e Welling em 2017, que enquadrou o aprendizado em grafos como uma forma de convolução baseada em vizinhança. Veličković e colegas estenderam a ideia em 2018 com as Redes Neurais de Atenção de Grafos, permitindo que os nós ponderassem seus vizinhos de forma diferente. A monografia de Hamilton de 2020, Graph Representation Learning, consolidou o campo, e as GNNs se tornaram desde então uma ferramenta padrão para dados relacionais.

Quando usar

Esta seção aguarda revisão científica. Não use suas condições como regras de seleção de métodos.

Texto original aguardando revisão

Limitações e considerações

  • A fonte não especifica limitações; a adequação requer uma avaliação à parte.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Aprende diretamente da estrutura relacional em vez de forçar os dados em linhas planas.
  • Naturalmente adequada para redes sociais, estruturas moleculares e sistemas de recomendação.
  • Baixa suposição sobre distribuições de características; lida com características de nós contínuas, categóricas e binárias.
  • Captura como o contexto de um nó — seu bairro no grafo — molda seu comportamento.

Aplicações

  • Análise de nós e links em redes sociais.
  • Previsão de propriedades em estruturas moleculares.
  • Sistemas de recomendação construídos sobre grafos de interação usuário-item.
  • Explicar e aprender relações em qualquer conjunto de dados naturalmente conectado.

Como funciona

Como funciona

1
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

Fontes

  1. Kipf, T.N. & Welling, M. (2017). Semi-Supervised Classification with Graph Convolutional Networks. ICLR.

    Abrir referência da publicação
    Copiado.
  2. Veličković, P. et al. (2018). Graph Attention Networks. ICLR.

    Abrir referência da publicação
    Copiado.
  3. Hamilton, W.L. (2020). Graph Representation Learning. Morgan & Claypool.

    Abrir referência DOI
    Copiado.