O que é o GraphSAGE e para que serve o amostragem de vizinhos?

O GraphSAGE (Amostragem e Agregação de Grafos) é um método de aprendizagem de representações (embeddings) de nós em grafos usando redes neurais. Ao contrário das GNNs clássicas, que usam todos os vizinhos para agregar informações, o GraphSAGE aplica amostragem de vizinhos para tornar o treino escalável em grafos grandes.

Para que serve a amostragem de vizinhos?

• Escalabilidade: Em grafos grandes, um nó pode ter um número enorme de vizinhos, tornando a agregação de todos eles computacionalmente cara.
• Redução do sobreajuste: A seleção aleatória de vizinhos ajuda a evitar que o modelo memorize excessivamente a estrutura do grafo.
• Generalização: Permite que o modelo aprenda com um subconjunto de vizinhos, melhorando sua capacidade de generalização.

Princípio de funcionamento do GraphSAGE:

1. Para cada nó, um número fixo de vizinhos é selecionado aleatoriamente.
2. Seus embeddings são agregados (por exemplo, por média ou usando LSTM).
3. O agregado é combinado com o embedding do próprio nó e passado por uma rede neural.

Isso permite treinar modelos de forma eficiente em grafos grandes com estrutura dinâmica.