Tutorial sobre Graph Neural Networks

 Los datos que se obtienen de redes pueden ser modelados de forma natural como señales en grafos, donde cada nodo tiene asociado un valor y el grafo describe la estructura de la red subyacente. En este contexto existen varios problemas interesante de aprendizaje, donde el desafío principal es la estructura típicamente no-regular de la red: decidir si un usuario de una red social es un bot, recomendar nuevo contenido a usuarios de una plataforma de streaming o predecir la solubilidad de una molécula son sólo ejemplos. En los últimos años se han vuelto extremadamente populares las denominadas Graph Neural Networks (GNNs) para atacar estos problemas, que tratan de replicar el éxito de las Convolutional Neural Networks (CNN) y trasladarlas al ámbito de grafos. En esta charla presentaremos los fundamentos de las GNNs, definiéndolas como una extensión de la convolución en grafos, lo que nos permitirá presentar dos propiedades clave para explicar su buen funcionamiento (y entender cuándo puede ser una mala idea usarlas): equivarianza a permutaciones y estabilidad ante perturbaciones. Ilustraremos estos conceptos mediante ejemplos de aplicaciones.