Rede Neural em Grafos — GCN / GAT / GraphSAGE

Uma Rede Neural em Grafos (GNN) é uma arquitetura de aprendizado profundo que opera diretamente em dados estruturados em grafos, combinando características de nós com informações estruturais através de passagem de mensagens iterativa de vizinhança. As três variantes canônicas — a Rede Convolucional em Grafos (GCN) introduzida por Kipf e Welling em 2017, a Rede de Atenção em Grafos (GAT) introduzida por Veličković et al. em 2018, e GraphSAGE — diferem na forma como agregam informações de vizinhos: GCN aplica uma convolução espectral sobre a adjacência completa, GAT pondera vizinhos por escores de atenção aprendidos, e GraphSAGE amostra e agrega vizinhanças locais indutivamente, permitindo generalização para nós não vistos.