Seleccioná arquitectura, nodo y capa. El embedding se actualiza agregando información de vecinos; en GAT cada vecino recibe un peso de atención diferente.
Deslizá el gráfico horizontalmente para recorrerlo.
Normalización simétrica D̃⁻¹/² Ã D̃⁻¹/² con self-loops; transforma y aplica ReLU.
Concatena [estado propio || media de vecinos] (4 dimensiones) y proyecta con W_S. Sin muestreo ni normalización L2 en esta variante.
Una cabeza: eᵥᵤ=LeakyReLU(aᵀ[Whᵥ||Whᵤ]); α=softmax; incluye estado propio y aplica ReLU.
Grafo no dirigido de 6 nodos, 2 features sintéticas por nodo y pesos fijos reutilizados en cada capa. No hay entrenamiento. Las magnitudes entre arquitecturas no son una prueba de desempeño.
La representación de una wallet depende de su contexto. Dos wallets con features iniciales iguales pueden terminar con embeddings diferentes si sus vecindarios son distintos.
Experimentá y explicá
1. Seleccioná A, capa 1 y compará GCN, GraphSAGE y GAT. Reconstruí la traza.
GCN usa coeficientes simétricos y self-loop; GraphSAGE concatena estado propio y media; GAT aplica softmax sobre scores con pesos fijos.
2. Explorá capas 0 a 6. ¿Qué ocurre con el campo receptivo?
Puede alcanzar vecinos a L saltos. Los coeficientes GCN no necesariamente suman 1; GAT sí. Más capas no prueban mejor clasificación.
Registrá la configuración, el resultado y tu interpretación.