Graph Neural Networks
Las redes neuronales de gráficos (GNN) aplican la potencia predictiva del deep learning a estructuras de datos ricas que representan los objetos y sus relaciones como puntos conectados por líneas en un gráfico.
Cuando convergen dos tecnologías, pueden crear algo nuevo y maravilloso, como los teléfonos celulares y los navegadores que se fusionaron para forjar los teléfonos inteligentes.
Hoy en día, los desarrolladores están aplicando la capacidad de la IA para encontrar patrones en bases de datos de gráficos enormes que almacenan información sobre las relaciones entre puntos de datos de todo tipo. Juntos, producen una nueva herramienta poderosa llamada Graph Neural Network.
¿Qué Son las Graph Neural Networks?
Las Graph Neural Networks (GNN) aplican la potencia predictiva del deep learning a estructuras de datos ricas que representan los objetos y sus relaciones como puntos conectados por líneas en un gráfico.
En las GNN, los puntos de datos se denominan nodos, que están vinculados por líneas (llamadas bordes) con elementos expresados matemáticamente para que los algoritmos de machine learning puedan realizar predicciones útiles al nivel de nodos, edges o graphs enteros.
¿Qué Pueden Hacer las GNN?
Una creciente lista de empresas está aplicando las GNN para mejorar el descubrimiento de fármacos, la detección de fraudes y los sistemas de recomendación. Estas aplicaciones y muchas más se basan en encontrar patrones en las relaciones entre los puntos de datos.
Los investigadores están explorando casos de uso para las GNN en gráficos por computación, ciberseguridad, genómica y ciencia de materiales. Un documento reciente informó cómo las GNN utilizaron los mapas de transporte como gráficos para mejorar las predicciones de la hora de llegada.
Muchas ramas de la ciencia y la industria ya almacenan datos valiosos en bases de datos de gráficos. Con el deep learning, pueden entrenar modelos predictivos que descubren nueva información a partir de sus gráficos.
Las GNN son una de las áreas más populares de la investigación de deep learning, y vemos que un número creciente de aplicaciones aprovechan las GNN para mejorar su rendimiento», dijo George Karypis, científico principal sénior de AWS, en una charla a principios de este año.
Otros están de acuerdo. Las GNN «son cada vez más populares debido a su flexibilidad para modelar relaciones complejas, algo que las redes neuronales tradicionales no pueden hacer», dijo Jure Leskovec, un profesor adjunto en Stanford, en su charla reciente, donde mostró la siguiente tabla de artículos de IA que las menciona.
¿Cómo Funcionan las GNN?
Hasta la fecha, el deep learning se ha centrado principalmente en imágenes y texto, tipos de datos estructurados que se pueden describir como secuencias de palabras o cuadrículas de píxeles. Por el contrario, los gráficos no se estructuran. Pueden tomar cualquier forma o tamaño y contener cualquier tipo de datos, incluidas imágenes y texto. Mediante un proceso llamado traspaso de mensajes, las GNN organizan gráficos para que los algoritmos de machine learning puedan usarlos.
El traspaso de mensajes incorpora en cada nodo información sobre sus vecinos. Los modelos de IA utilizan la información incorporada para encontrar patrones y hacer predicciones.
Por ejemplo, los sistemas de recomendación utilizan una forma de incrustación de nodos en las GNN para conectar a los clientes con los productos. Los sistemas de detección de fraude utilizan incrustaciones de bordes para encontrar transacciones sospechosas y los modelos de descubrimiento de fármacos comparan gráficos completos de moléculas para descubrir cómo reaccionan entre sí. Las GNN son únicas de otras dos formas: Usan matemáticas dispersas y los modelos generalmente solo tienen dos o tres capas. Otros modelos de IA generalmente usan matemáticas densas y tienen cientos de capas de redes neuronales.