Em que as GNN se diferenciam dos algoritmos clássicos em grafos (PageRank, propagação de etiquetas)?

Redes Neurais de Grafos (GNN) diferem dos algoritmos clássicos em grafos, como PageRank ou propagação de rótulos, principalmente por sua capacidade de aprender e generalizar com base nos dados.

• Capacidade de aprendizagem: GNNs são redes neurais treinadas em dados de grafos, extraindo automaticamente características e dependências. Algoritmos clássicos geralmente têm lógica fixa e não aprendem.

• Flexibilidade na representação: GNNs podem usar diferentes tipos de características de vértices e arestas, além de considerar dependências não lineares complexas, enquanto algoritmos clássicos geralmente operam apenas com a estrutura do grafo.

• Generalização: GNNs podem generalizar conhecimentos para novos grafos ou nós, o que é importante para tarefas de previsão. Algoritmos clássicos geralmente resolvem tarefas específicas, como classificação (PageRank) ou propagação de rótulos, sem treinamento.

• Arquitetura: GNNs baseiam-se na ideia de agregar informações dos vizinhos (passagem de mensagens), permitindo considerar eficazmente a estrutura local e as características.

Exemplo: PageRank calcula a importância dos nós com base na estrutura de links, sem treinamento. GNNs podem ser treinadas para prever propriedades dos nós, usando tanto a estrutura quanto as características, ajustando os pesos de agregação durante o treinamento.