# 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.