Glossário

Rede Neural de Grafos (GNN)

Descobre como as Graph Neural Networks (GNNs) revolucionam a IA com dados estruturados em gráficos para a descoberta de medicamentos, redes sociais, previsão de tráfego e muito mais!

Treina os modelos YOLO simplesmente
com Ultralytics HUB

Aprende mais

As redes neurais de grafos (GNNs) são uma classe especializada de redes neurais projetadas para trabalhar diretamente com dados estruturados como grafos. Ao contrário das redes tradicionais optimizadas para dados em grelha (como imagens) ou dados sequenciais (como texto), as GNNs são excelentes a captar as relações e dependências entre entidades representadas como nós ligados por arestas. Isto torna-as particularmente poderosas para tarefas em que a compreensão das ligações é fundamental, indo além da simples análise de caraterísticas para o domínio do raciocínio relacional no âmbito da Inteligência Artificial (IA).

Conceitos fundamentais das redes neurais em grafo

Os GNNs funcionam fundamentalmente através da atualização iterativa da representação (ou incorporação) de cada nó num grafo. Fazem-no agregando informação da vizinhança local de um nó - os seus vizinhos ligados e as arestas que os ligam. Esse processo, muitas vezes chamado de "passagem de mensagem" ou "agregação de vizinhança", permite que os nós incorporem caraterísticas de seus vizinhos e da estrutura do gráfico em sua própria representação. Ao empilhar várias camadas de GNN, as informações podem se propagar por distâncias maiores no gráfico, permitindo que a rede aprenda padrões complexos e de alto nível. As GNNs adaptam os principais conceitos de aprendizagem profunda (DL) para dados de grafos não euclidianos. Existem várias variantes de GNN, incluindo Graph Convolutional Networks (GCNs), GraphSAGE e Graph Attention Networks (GATs), cada uma empregando estratégias diferentes para agregação e atualizações. Para uma visão abrangente, recursos como o artigo de revisão"Graph Neural Networks: A Review of Methods and Applications" fornecem informações mais detalhadas.

Como as GNNs se diferenciam de outras redes

É importante distinguir as GNNs de outras arquitecturas de redes neuronais:

  • Redes neurais convolucionais (CNNs): Concebidas principalmente para dados estruturados em grelha, como imagens, utilizando operações de convolução que deslizam filtros de tamanho fixo sobre os dados. São excelentes em tarefas como classificação de imagens e deteção de objectos. As GNNs generalizam as convoluções para estruturas gráficas irregulares.
  • Redes neurais recorrentes (RNNs): Concebidas para dados sequenciais, como texto ou séries temporais, processam as entradas um passo de cada vez, mantendo um estado ou memória interna. As GNNs concentram-se em dados relacionais em vez de ordem seqüencial.

Embora modelos como o Ultralytics YOLO sejam os mais avançados para tarefas como a deteção de objectos em dados de imagem, os GNNs são a arquitetura de eleição quando os dados subjacentes e o próprio problema são melhor representados como um gráfico.

Aplicações no mundo real

Os GNNs têm encontrado aplicações em vários domínios devido à sua capacidade de modelar relações de forma eficaz:

  • Descoberta de fármacos e quiminformática: Os GNN podem representar moléculas como grafos (átomos como nós, ligações como arestas) para prever propriedades como a toxicidade, a solubilidade ou o potencial de interação, acelerando significativamente o processo de descoberta de medicamentos. Esta é uma área fundamental da IA nos cuidados de saúde.
  • Análise de redes sociais: Compreende as relações entre utilizadores, detecta comunidades e prevê ligações ou influências em redes sociais como o Facebook ou o Twitter.
  • Sistemas de recomendação: Modelar utilizadores e itens como nós num gráfico para prever as preferências dos utilizadores com base em interações e ligações passadas.
  • Deteção de fraudes: Identificar actividades potencialmente fraudulentas em redes de transacções financeiras ou plataformas em linha, detectando padrões ou ligações anómalas, contribuindo para uma maior segurança dos dados.
  • Previsão de tráfego: Modelação de redes rodoviárias como gráficos para prever o fluxo de tráfego e o congestionamento, permitindo uma gestão mais inteligente do tráfego em cidades inteligentes.

Ferramentas e estruturas

Várias bibliotecas facilitam o desenvolvimento de GNNs:

  • PyTorch Geometric (PyG): Uma biblioteca popular construída sobre PyTorch que fornece implementações eficientes de muitas camadas GNN e conjuntos de dados de referência.
  • Biblioteca de Grafos Profundos (DGL): Outra estrutura amplamente utilizada que suporta vários backends de aprendizagem profundaPyTorch, TensorFlow), oferecendo operações gráficas optimizadas.
  • TensorFlow GNN: Uma biblioteca para construir modelos GNN dentro do TensorFlow TensorFlow.

Plataformas como o Ultralytics HUB simplificam a formação e a implementação de vários modelos de IA e, embora atualmente se concentrem principalmente em tarefas de visão, a integração de técnicas baseadas em gráficos representa uma potencial direção futura para o tratamento de dados relacionais complexos na plataforma. Podes explorar várias integraçõesUltralytics para ligar diferentes ferramentas no teu fluxo de trabalho.

Lê tudo