Le reti neurali a grafo (GNN) sono un tipo di rete neurale artificiale utilizzata per elaborare dati strutturati complessi come grafici, reti e alberi. Le GNN vengono generalmente utilizzate per attività quali la classificazione dei grafici, la classificazione dei nodi, la previsione dei collegamenti e il clustering. Le GNN fanno parte della più ampia categoria di reti neurali note come metodi di deep learning strutturale.
A differenza delle reti neurali tradizionali, che elaborano i dati in una forma vettoriale appiattita, le GNN sfruttano i livelli convoluzionali del grafico per analizzare i dati nel loro formato nativo (ovvero un grafico). Questi livelli sono specificamente progettati per propagare le informazioni attraverso strutture complesse e consentono l'incorporazione di informazioni strutturate in grafici nel processo di apprendimento. Le GNN sono spesso impiegate nello sviluppo di soluzioni complesse basate sull’intelligenza artificiale, come quelle utilizzate nei sistemi di raccomandazione e nell’elaborazione del linguaggio naturale.
Le GNN sono tipicamente composte da strati convoluzionali del grafico, progettati per elaborare dati complessi propagando le informazioni attraverso ciascun nodo del grafico. Questi strati vengono addestrati utilizzando una funzione obiettivo che riduce al minimo l'errore totale di un modello propagando all'indietro i gradienti attraverso il grafico. L'output dello strato convoluzionale viene spesso utilizzato per generare una rappresentazione strutturata in grafici dei dati di input che può essere interpretata più facilmente dagli algoritmi di apprendimento automatico convenzionali.
Le GNN rappresentano un campo dell’intelligenza artificiale entusiasmante e in rapida espansione. La flessibilità e il potere di rappresentazione offerti dalle GNN hanno consentito ai ricercatori di sviluppare robuste applicazioni basate sull’intelligenza artificiale in una varietà di campi, come l’elaborazione del linguaggio naturale, i sistemi di raccomandazione e la visione artificiale.
