Redes Neurais de Grafos (GNNs) são um tipo de rede neural artificial usada para processar dados estruturados complexos, como gráficos, redes e árvores. GNNs são normalmente usados para tarefas como classificação de gráficos, classificação de nós, previsão de links e clustering. GNNs fazem parte de uma categoria mais ampla de redes neurais conhecida como métodos estruturais de aprendizagem profunda.
Ao contrário das redes neurais tradicionais, que processam dados em uma forma vetorial achatada, as GNNs aproveitam as camadas convolucionais do gráfico para analisar dados em seu formato nativo (ou seja, um gráfico). Essas camadas são projetadas especificamente para propagar informações através de estruturas complexas e permitem a incorporação de informações estruturadas em grafos no processo de aprendizagem. As GNNs são frequentemente empregadas no desenvolvimento de soluções complexas baseadas em IA, como aquelas usadas em sistemas de recomendação e processamento de linguagem natural.
GNNs são normalmente compostos de camadas convolucionais de grafos, que são projetadas para processar dados complexos, propagando informações através de cada nó do grafo. Essas camadas são treinadas usando uma função objetivo que minimiza o erro total de um modelo ao retropropagar os gradientes através do gráfico. A saída da camada convolucional é frequentemente usada para gerar uma representação estruturada em gráfico dos dados de entrada que é mais facilmente interpretada por algoritmos convencionais de aprendizado de máquina.
GNNs são um campo de inteligência artificial estimulante e rapidamente emergente. A flexibilidade e o poder de representação oferecidos pelas GNNs permitiram aos pesquisadores desenvolver aplicações robustas baseadas em IA em uma variedade de campos, como processamento de linguagem natural, sistemas de recomendação e visão computacional.
