![\"chatgpt\"](\"https:\/\/mova2improve.com\/wp-content\/uploads\/2024\/08\/Captura-de-pantalla-2024-08-03-a-las-19.23.53-1024x769.webp\")
<\/figure>\n\n\n\nLa raz\u00f3n fundamental es que el aprendizaje autom\u00e1tico se ha centrado tradicionalmente en el an\u00e1lisis y procesamiento de datos tabulares, im\u00e1genes, texto y audio. Desde hace algo m\u00e1s de diez a\u00f1os, algunas arquitecturas sofisticadas de redes neuronales han revolucionado campos como el reconocimiento de im\u00e1genes (redes de convoluci\u00f3n) y el procesamiento del lenguaje natural (redes recurrentes y transformadores).<\/p>\n\n\n\n
Sin embargo, estas arquitecturas no son adecuadas para datos en forma de grafos, donde la relaci\u00f3n entre los datos es tan importante como los datos mismos.<\/p>\n\n\n\n
<\/p>\n\n\n\n
El problema de las permutaciones<\/h4>\n\n\n\n
Matem\u00e1ticamente, la principal limitaci\u00f3n de estas t\u00e9cnicas de aprendizaje profundo para manejar y analizar grafos es que no son invariantes a las permutaciones de los datos.<\/p>\n\n\n\n
Para entender esto, veamos un ejemplo sencillo:<\/p>\n\n\n\n
Imaginemos que tenemos un grafo que representa las amistades entre cuatro personas: Ad\u00e1n Ben\u00edtez, Bel\u00e9n Ant\u00fanez, Carlos D\u00edaz y Diego Canales. Estas personas est\u00e1n conectadas de la siguiente manera: Ad\u00e1n es amigo de Bel\u00e9n y Carlos; Bel\u00e9n es amiga de Ad\u00e1n y Carlos; Carlos es amigo de todos los dem\u00e1s y, finalmente, Diego es amigo solamente de Carlos.<\/p>\n\n\n\n
El grafo que representa las relaciones entre las personas no depende de si identificamos los nodos mediante la inicial del nombre o del apellido de cada persona. Sin embargo, la tabla que recoge las relaciones (matriz de adyacencia) puede cambiar seg\u00fan c\u00f3mo nombremos los nodos a pesar de representar la misma realidad.<\/p>\n\n\n\n
En la figura siguiente se observa que ambos grafos son iguales (mismas conexiones entre las mismas personas), pero los patrones de las matrices de adyacencia son diferentes.<\/p>\n\n\n\n
Una red neuronal tradicional podr\u00eda interpretar este cambio de orden como un grafo diferente. Esto es problem\u00e1tico, porque queremos que nuestra red neuronal entienda que la estructura de las amistades es la misma independientemente del orden en que se considere a las personas.<\/p>\n\n\n\n
<\/p>\n\n\n\n
La soluci\u00f3n de las redes neuronales gr\u00e1ficas<\/h4>\n\n\n\n
Para resolver este problema, las redes neuronales gr\u00e1ficas (Graph Neural Networks<\/em> o GNN en ingl\u00e9s) se basan en la propagaci\u00f3n de mensajes y la agregaci\u00f3n de informaci\u00f3n. Cada nodo del grafo recibe informaci\u00f3n de sus nodos vecinos a trav\u00e9s de las aristas que los conectan. Este proceso se repite en varias capas, permitiendo que la informaci\u00f3n fluya a trav\u00e9s del grafo.<\/p>\n\n\n\n Propagaci\u00f3n de mensajes<\/strong>: En cada capa de una red neuronal gr\u00e1fica, cada nodo env\u00eda y recibe mensajes de sus nodos vecinos. Imagine que cada persona en nuestra red de amistades env\u00eda un mensaje a todos sus amigos. Estos mensajes contienen informaci\u00f3n relevante sobre cada persona, como sus caracter\u00edsticas y estados.<\/p>\n\n\n\n Agregaci\u00f3n de informaci\u00f3n<\/strong>: Despu\u00e9s de recibir los mensajes, cada nodo (o persona) combina la informaci\u00f3n recibida de sus amigos. Esto se hace mediante una operaci\u00f3n de agregaci\u00f3n, como una suma, una media o un m\u00e1ximo. Por ejemplo, si Ana, Ben y Carla se env\u00edan mensajes entre s\u00ed, cada uno de ellos sumar\u00e1, promediar\u00e1 o tomar\u00e1 el valor m\u00e1ximo de los mensajes recibidos.
<\/p>\n\n\n\n