GrafoLab

Laboratório dedicado à pesquisa e divulgação científica sobre grafos e Redes Neurais de Grafos (GNNs), explorando aplicações em inteligência artificial, ciência de dados e aprendizado de máquina.

posts recentes

Autor: Rener Menezes

  • GNNs para Prever Chamadas entre Microserviços: O que o GAT Acerta (e Erra)

    Resumo — Arquiteturas de microserviços são poderosas, mas complexas. Uma falha em um serviço pode derrubar dezenas de outros. E se pudéssemos prever novas interações problemáticas antes que elas causem incidentes? Uma pesquisa recente (aceita no ICPE 2025) explora o uso de Graph Neural Networks (GNNs), especificamente a Graph Attention Network (GAT), para modelar o…

  • GNNs sob Data Drift em Fraude: GraphSAGE é Mais Robusto que GCN/GAT (IEEE-CIS)

    Resumo — Modelos de Machine Learning em produção sofrem um inimigo silencioso: o Data Drift. As características dos dados mudam com o tempo, degradando a performance. Em detecção de fraudes financeiras, esse problema é ainda pior, pois os fraudadores se adaptam constantemente. Neste post, resumimos nossa pesquisa publicada no IEEE Access, onde investigamos a robustez…

  • Bancos de Grafos 101: Neo4j, Memgraph, Neptune e ArangoDB na Prática

    Você modelou seu problema como um grafo. E agora? Onde você armazena e consulta essa rede complexa? Um banco SQL tradicional falha miseravelmente em consultas de “amigo do amigo”. É aqui que entram os Bancos de Dados de Grafos nativos. Mas a escolha não é única. A decisão entre Neo4j, Memgraph, Amazon Neptune ou ArangoDB…

  • Detecção de Comunidades: Louvain, Leiden e Aplicações que Importam

    Um grafo não é apenas um “emaranhado” de nós. Quase sempre, ele possui uma “estrutura média” (meso-estrutura): grupos de nós que são mais densamente conectados entre si do que com o resto da rede. Encontrar esses “bairros” ou “clusters” é o trabalho da Detecção de Comunidades. Algoritmos como Louvain e seu sucessor, Leiden, são as…

  • Centralidade em Grafos: O que é “Importância”? (Grau, Betweenness e PageRank)

    O que torna um nó “importante” em um grafo? A resposta não é única. Depende do que você quer medir. Um nó pode ser popular (alto Grau), ser uma “ponte” crítica (alta Betweenness) ou ter “influência” recursiva (alto PageRank). Escolher a métrica errada de centralidade pode levar a decisões de negócio desastrosas. Este post é…

  • Fraude em Pagamentos com Grafos: Do Link Prediction às GNNs em Produção

    Fraudadores não agem sozinhos. Eles operam em redes, usando um emaranhado de contas, cartões, dispositivos e e-mails para esconder suas trilhas. Modelos de ML tradicionais, que olham para transações de forma isolada, falham em ver a “conspiração”. A detecção de fraudes moderna é um problema de grafos. Este post explica como modelamos o ecossistema de…

  • Graph Embeddings 101: DeepWalk e Node2Vec vs. GNNs

    Como transformamos um grafo complexo em números que um modelo de Machine Learning possa entender? A resposta é Graph Embeddings: a criação de um “DNA” numérico (um vetor) para cada nó da rede. Existem duas filosofias principais para isso: a “clássica”, baseada em caminhadas aleatórias (como DeepWalk e Node2Vec), e a “moderna”, baseada em agregação…

  • Amazon e a Revolução do “Item-Item”: Como Grafos de Similaridade Mudaram o E-commerce

    “Clientes que compraram este item também compraram…”. Esta frase, popularizada pela Amazon, é o resultado de um dos algoritmos de grafos mais elegantes e impactantes do e-commerce: o Item-Item Collaborative Filtering (CF). Em vez de tentar encontrar usuários “gêmeos” (o que é lento e instável), a Amazon focou em calcular a similaridade entre os itens.…

  • LinkedIn e a Mágica do “People You May Know”: Uma Aula de Grafos

    Como o LinkedIn sabe que você talvez conheça aquela pessoa que trabalhou na sua antiga empresa há 10 anos? Não é mágica, é um dos melhores exemplos de previsão de arestas (link prediction) em um grafo social. O recurso “People You May Know” (PYMK) é uma máquina de recomendação sofisticada que vai além dos “amigos…

  • PinSage: A GNN que Redefiniu a Recomendação em Grafos no Pinterest

    O feed do Pinterest parece mágico: como ele sabe exatamente qual pin de receita ou decoração você quer ver, dentre bilhões de opções? A resposta é um dos papers mais influentes da área de grafos: o PinSage. O Pinterest modelou seu ecossistema como um imenso grafo de usuários, pins e pastas, e desenvolveu uma GNN…