| # 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](https://huggingface.co/datasets/graphs-datasets/MUTAG) |
|
|
| ## Código |
|
|
| Veja `gin_train.py` e `isomorphism_applications.py` para implementações completas. |
|
|
