In che cosa le GNN si differenziano dagli algoritmi classici sui grafi (PageRank, propagazione delle etichette)?

Le Reti Neurali di Grafi (GNN) si differenziano dagli algoritmi classici sui grafi, come PageRank o propagazione delle etichette, principalmente per la loro capacità di apprendere e generalizzare dai dati.

• Apprendimento: Le GNN sono reti neurali che vengono addestrate su dati di grafi, estraendo automaticamente caratteristiche e dipendenze. Gli algoritmi classici di solito hanno una logica fissa e non apprendono.

• Flessibilità di rappresentazione: Le GNN possono utilizzare diversi tipi di caratteristiche di vertici e archi, e considerare dipendenze non lineari complesse, mentre gli algoritmi classici operano spesso solo sulla struttura del grafo.

• Generalizzazione: Le GNN sono capaci di generalizzare le conoscenze a nuovi grafi o nodi, cosa importante per i compiti di previsione. Gli algoritmi classici risolvono di solito compiti specifici, come il ranking (PageRank) o la propagazione delle etichette, senza apprendimento.

• Architettura: Le GNN si basano sull'idea di aggregare le informazioni dai vicini (message passing), permettendo di considerare efficacemente la struttura locale e le caratteristiche.

Esempio: PageRank calcola l'importanza dei nodi in base alla struttura dei link, senza apprendimento. Le GNN possono essere addestrate per prevedere le proprietà dei nodi, usando sia la struttura che le caratteristiche, adattando i pesi di aggregazione durante l'addestramento.