Graph Neural Networks in Action
Keita Broadwater, Namid Stillman
- Editorial
- Manning
- Año
- 2025
- Páginas
- ~394
- Nivel
- Intermedio
De qué trata
Tratado práctico y actualizado escrito por Keita Broadwater y Namid Stillman, publicado por Manning en 2025, centrado en el diseño, entrenamiento y puesta en producción de redes neuronales sobre grafos (GNNs). El libro atiende la creciente demanda de modelar datos relacionales no euclidianos y altamente interconectados. Está destinado a ingenieros de machine learning, científicos de datos y desarrolladores de nivel intermedio que poseen experiencia sólida con Python y deep learning convencional (PyTorch), pero necesitan trabajar con redes sociales, transacciones financieras, sistemas de recomendación, grafos de conocimiento o estructuras moleculares.
La obra profundiza en el marco del paso de mensajes (message passing) y la generación de representaciones vectoriales con técnicas como Node2Vec y Graph AutoEncoders. Enseña a implementar las principales arquitecturas del área: Graph Convolutional Networks (GCN), GraphSAGE para inferencia inductiva y escalable en grafos de gran volumen, y Graph Attention Networks (GAT) para ponderar la relevancia estructural entre nodos vecinos. Además, cubre temáticas avanzadas de grafos dinámicos mediante redes espaciotemporales (STGNNs) y estrategias de particionado y muestreo para inferencia a gran escala. Las tecnologías utilizadas comprenden PyTorch, PyTorch Geometric (PyG), Deep Graph Library (DGL), NetworkX y GraphScope.
El aprendizaje se articula a través de proyectos reales: un sistema de categorización de productos para comercio electrónico con GCN y GraphSAGE, un modelo de detección de fraude y reseñas falsas mediante Graph Attention Networks (GAT), autoencoders de grafos para predicción de enlaces y canalizaciones de datos para grafos dinámicos a escala. Su mayor acierto es cerrar la brecha entre la teoría matemática de grafos y las exigencias de memoria y computación de los sistemas en producción. Prescinde de la formulación espectral densa para priorizar el enfoque espacial moderno. Conviene tener fluidez con operaciones matriciales dispersas y tensores en PyTorch.
- Graph Neural Networks
- PyTorch Geometric
- GCN
- GraphSAGE
- Graph Attention Networks (GAT)
- Graph Autoencoders
- Node2Vec
- Message Passing
- Grafos dinámicos
- GraphScope
¿Cómo enseña?
Con proyectos
- ✗ Sin ejercicios
- ✓ Incluye proyectos
Proyectos
Detector de fraude y spam en reseñas
Modelo basado en Graph Attention Networks (GAT) desarrollado con PyTorch Geometric que asigna pesos de atención a conexiones dudosas para detectar reseñas maliciosas en redes de usuarios y productos.
Clasificador inductivo de categorías para e-commerce
Pipeline de predicción de atributos y categorías de artículos implementado con GraphSAGE y GCN en PyTorch Geometric sobre grafos de compras y navegación de clientes.
Modelo espaciotemporal para grafos dinámicos
Red neuronal espaciotemporal que procesa la evolución temporal de conexiones y atributos en grafos de sensores o tráfico con PyTorch Geometric.
