arkheb/gin-mutag-isomorphism-demo

GIN MUTAG Isomorphism Demo

Graph Isomorphism Network (GIN) treinado no dataset MUTAG para classificação de grafos.

Sobre

Este modelo demonstra como o isomorfismo aprimora IAs para dados estruturados em grafos.

Por que Isomorfismo?

• GIN usa SUM aggregation (única função injetora para multiconjuntos)
• É tão expressivo quanto o teste 1-WL (Weisfeiler-Lehman) para isomorfismo de grafos
• Distingue estruturas que GCN/GAT (MEAN/MAX) confundem

Resultados no MUTAG

• Acurácia média (5-fold CV): 80.33% ± 5.40%
• Classes: Mutagenic (1) vs Non-mutagenic (0)
• 188 grafos moleculares, ~18 nós por grafo

Arquitetura

GINConv(MLP) × 5 camadas
  → BatchNorm → ReLU → Dropout(0.5)
  → global_add_pool (SUM)
  → Linear(64, 64) → ReLU → Dropout
  → Linear(64, 2)

Aplicações do Isomorfismo em IA

1. 🧬 Descoberta de medicamentos — predição de propriedades moleculares
2. 💰 Detecção de fraudes — análise de redes de transações
3. 🌐 Redes sociais — detecção de comunidades e fake news
4. 🔒 Cybersecurity — detecção de botnets e malware
5. 🏗️ Engenharia de software — clone detection, análise de código
6. 🔬 Materiais — predição de propriedades de cristais (equivariant GNNs)
7. 🧠 Neurociência — análise de conectomas cerebrais
8. 📊 Knowledge graphs — raciocínio e inferência

Referências

• Xu et al. (2019). How Powerful are Graph Neural Networks? ICLR.
• Dataset: graphs-datasets/MUTAG

Código

Veja gin_train.py e isomorphism_applications.py para implementações completas.