Parte IV · Cap. 11 — GNN (Rede Neural de Grafos)

draft

Conexionista · Grafos · Passagem de mensagens. Aprende sobre dados estruturados em grafo (moléculas, redes, mapas). Card: ../02-tipos-de-ia/02-conexionista.kmd.

🎨 Figura F-IV.11.0 — Mensagens entre vizinhos. Brief: grafo com nós trocando mensagens (setas) e atualizando seus vetores; ilustrar uma molécula como exemplo.

GNN — passagem de mensagens

1. Definição e história curta

Generaliza redes neurais para grafos, agregando informação de vizinhos. Aplicação de destaque: componente do AlphaFold e descoberta de fármacos.

2. Fundamentos

  • Teoria de grafos — estrutura, vizinhança, spectral (Laplaciano).
  • Álgebra linear — matriz de adjacência, convolução espectral.
  • Teoria dos grupos / simetrias — invariância a permutação dos nós.
  • Química/biologia — moléculas e proteínas como grafos.

3. Algoritmos e arquiteturas

  • Message passing — cada nó agrega mensagens dos vizinhos e atualiza estado.
  • Variantes — GCN (convolução), GAT (atenção), GraphSAGE (amostragem),

    MPNN.

  • Leitura — agregação para predição de nóarestagrafo.

4. Insumos

  • Hardware: GPU; grafos grandes exigem amostragem/particionamento.
  • Dados: grafos rotulados (moléculas, redes sociais, knowledge graphs).
  • Estruturas de dados: listas de adjacência, tensores esparsos.
  • Sistemas: PyG, DGL; amostragem de vizinhança para escala.

5. Ciclo de vida especializado

Etapa Especialização
0 Problema Predição de nóarestagrafo (propriedade molecular, recomendação)
1 Dados Construir o grafo (nós, arestas, features); rótulos
2 EDA Grau, componentes, homofilia, class imbalance
3 Modelagem GCNGATSAGE; profundidade (risco de over-smoothing)
4 Treino Mini-batch por amostragem de vizinhança
5 Avaliação AcuráciaAUC de nóaresta; generalização indutiva
5.5 Homologação Robustez a perturbação de grafo, generalização a grafos novos
6 Produção Inferência em grafo dinâmico; atualização incremental
7 Monitoramento Drift de estrutura do grafo
8 Retreino Novos nós/arestas
9 Governança Privacidade em redes sociais, viés relacional

6. Capacidades, modos e modalidades

Relacional/estrutural: propriedade molecular, recomendação, detecção de fraude, tráfego/rotas, knowledge graph reasoning.

7. Limites, riscos e ética

Over-smoothing em profundidade; escala em grafos massivos; privacidade em dados relacionais; viés de homofilia.

8. Estado da arte e exemplos

AlphaFold (componente), GNNs para descoberta de fármacos e materiais, mapas (ETA), recomendação industrial; convergência com Transformers (*graph transformers*).