¿En qué se diferencian las GNN de los algoritmos clásicos en grafos (PageRank, propagación de etiquetas)?

Las Redes Neuronales de Grafos (GNN) se diferencian de los algoritmos clásicos en grafos, como PageRank o propagación de etiquetas, principalmente por su capacidad de aprender y generalizar a partir de los datos.

• Capacidad de aprendizaje: Las GNN son redes neuronales que se entrenan en datos de grafos, extrayendo automáticamente características y dependencias. Los algoritmos clásicos generalmente tienen una lógica fija y no aprenden.

• Flexibilidad en la representación: Las GNN pueden usar diferentes tipos de características de vértices y aristas, así como considerar dependencias no lineales complejas, mientras que los algoritmos clásicos a menudo operan solo con la estructura del grafo.

• Generalización: Las GNN son capaces de generalizar conocimientos a nuevos grafos o nodos, lo cual es importante para tareas de predicción. Los algoritmos clásicos generalmente resuelven tareas específicas, como clasificación (PageRank) o propagación de etiquetas, sin entrenamiento.

• Arquitectura: Las GNN se basan en la idea de agregar información de los vecinos (paso de mensajes), lo que permite considerar eficazmente la estructura local y las características.

Ejemplo: PageRank calcula la importancia de los nodos en función de la estructura de enlaces, sin entrenamiento. Las GNN pueden entrenarse para predecir propiedades de los nodos, usando tanto la estructura como las características, adaptando los pesos de agregación durante el entrenamiento.