Cada snapshot de grafo pasa por una capa GNN para producir un embedding global zₜ. La secuencia z₁…zₜ alimenta una celda recurrente que actualiza su memoria y produce una señal pedagógica.
Deslizá el gráfico horizontalmente para recorrerlo.
Deslizá el gráfico horizontalmente para recorrerlo.
La GNN comparte las reglas y matrices del laboratorio 06. El grafo es no dirigido y las features son sintéticas. La celda escalar parte de h₀=c₀=0 y usa pesos fijos. El score no es una probabilidad calibrada ni un pronóstico entrenado. En GRU, z es retención: h=(1−z)·g+z·h_anterior.
| Snapshot | mean(H) || density | xₜ | hₜ | cₜ | Score |
|---|
Una serie temporal sólo ve variables agregadas. Una GNN puede resumir estructura local y global del grafo; la capa recurrente puede modelar cómo ese resumen cambia entre snapshots.
Un modelo temporal de grafos real requiere definir ventanas, features, etiquetas, sampling, entrenamiento y validación temporal. Esta simulación explica la arquitectura, no prueba capacidad predictiva.
Experimentá y explicá
1. Avanzá snapshot por snapshot y verificá pooling y estado de celda.
Se promedian 5 embeddings, se concatena densidad y se proyecta a x escalar. Sólo se calculan estados hasta el cursor actual.
2. Cambiá LSTM a GRU y reconstruí h con las compuertas visibles.
La convención GRU es h=(1−z)·g+z·h_anterior. El score sigmoide 0–1 es adimensional, sin calibración ni entrenamiento.
Registrá la configuración, el resultado y tu interpretación.