Rede Neural de Grafos (GNN)

Conceitos fundamentais das redes neurais em grafo

O princípio fundamental dos GNNs é a atualização iterativa das representações dos nós, frequentemente designadas por embeddings. A representação de cada nó é refinada pela agregação de informação da sua vizinhança local - os seus vizinhos diretamente ligados e as arestas que os ligam. Esse mecanismo central é comumente chamado de"passagem de mensagem" ou "agregação de vizinhança". Através deste processo, os nós incorporam tanto as caraterísticas dos seus vizinhos como a informação estrutural do grafo (matemática discreta) na sua própria representação actualizada.

Ao empilhar várias camadas de GNN, as informações podem se propagar por distâncias maiores dentro do gráfico, permitindo que a rede aprenda padrões e dependências intrincados e de alto nível. As GNNs adaptam de forma eficaz os principais conceitos de aprendizagem profunda (DL) para lidar com dados estruturados em grafos, muitas vezes não euclidianos. Foram desenvolvidas diversas variações de GNNs, cada uma com estratégias únicas de agregação e atualização, incluindo Graph Convolutional Networks (GCNs), GraphSAGE e Graph Attention Networks (GATs). Para uma exploração detalhada desses métodos, o artigo de revisão"Graph Neural Networks: A Review of Methods and Applications" oferece uma visão abrangente.

Como as GNNs se diferenciam de outras redes

É crucial compreender como as GNNs diferem de outras arquitecturas de redes neurais comuns:

• Redes neurais convolucionais (CNNs): As CNNs são concebidas para dados estruturados em grelha, como imagens. Utiliza filtros convolucionais para captar hierarquias espaciais locais. Embora sejam poderosas para tarefas como a deteção de objectos (em que modelos como Ultralytics YOLO da Ultralytics) e a classificação de imagens, não lidam inerentemente com a estrutura irregular dos gráficos.
• Redes neurais recorrentes (RNNs): As RNNs são especializadas em dados seqüenciais, como texto ou séries temporais, processando as entradas passo a passo e mantendo um estado interno. São menos adequadas para dados gráficos em que as relações não são necessariamente sequenciais.
• Gráfico de conhecimento: Embora ambos envolvam gráficos, um Knowledge Graph é principalmente uma representação estruturada de factos e relações utilizadas para armazenamento, recuperação e raciocínio de dados. Os GNNs, por outro lado, são modelos de aprendizado de máquina que aprendem representações de dados de gráficos para realizar tarefas preditivas.

Essencialmente, os GNNs são a arquitetura preferida quando a estrutura inerente dos dados e o próprio problema são melhor representados como um gráfico, concentrando-se na aprendizagem a partir de ligações e relações.

Aplicações no mundo real

Os GNNs têm demonstrado um sucesso significativo em vários domínios devido à sua capacidade de modelar dados relacionais de forma eficaz:

• Descoberta de fármacos e quiminformática: As moléculas podem ser naturalmente representadas como grafos, em que os átomos são nós e as ligações são arestas. Os GNNs são utilizados para prever propriedades moleculares, potenciais interações e eficácia no processo de descoberta de medicamentos, acelerando a investigação em IA nos cuidados de saúde.
• Análise de redes sociais: Plataformas como o Facebook e o Twitter geram vastos dados gráficos. Os GNNs podem analisar estas redes para detetar comunidades(deteção de comunidades), prever ligações (sugestões de amigos), identificar utilizadores influentes e alimentar sistemas de recomendação.
• Outras aplicações: As GNNs são também aplicadas em áreas como a modelação financeira para deteção de fraudes, a otimização de rotas para previsão de tráfego, o aperfeiçoamento de simulações físicas e a melhoria da gestão de infra-estruturas em cidades inteligentes.