06

GNN Message Passing

GCN, GraphSAGE y GAT: cómo un nodo aprende de sus vecinos

Laboratorio 06 / 08 · 30 min

La idea central de una GNN

Seleccioná arquitectura, nodo y capa. El embedding se actualiza agregando información de vecinos; en GAT cada vecino recibe un peso de atención diferente.

Pesos fijos · cálculo de capas

Grafo y flujo de mensajes

Deslizá el gráfico horizontalmente para recorrerlo.

GCN

Normalización simétrica D̃⁻¹/² Ã D̃⁻¹/² con self-loops; transforma y aplica ReLU.

GraphSAGE

Concatena [estado propio || media de vecinos] (4 dimensiones) y proyecta con W_S. Sin muestreo ni normalización L2 en esta variante.

GAT

Una cabeza: eᵥᵤ=LeakyReLU(aᵀ[Whᵥ||Whᵤ]); α=softmax; incluye estado propio y aplica ReLU.

hᵥ⁽ˡ⁺¹⁾ = UPDATE(hᵥ⁽ˡ⁾, AGGREGATE({hᵤ⁽ˡ⁾ : u ∈ N(v)}))

Traza del nodo seleccionado

Matrices fijas · vectores fila H·W

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.

Qué debe aprender el alumno

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

Actividad guiada

1. Seleccioná A, capa 1 y compará GCN, GraphSAGE y GAT. Reconstruí la traza.

Ver orientación de respuesta

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?

Ver orientación de respuesta

Puede alcanzar vecinos a L saltos. Los coeficientes GCN no necesariamente suman 1; GAT sí. Más capas no prueban mejor clasificación.

Referencias y supuestos

Registrá la configuración, el resultado y tu interpretación.