El paso de mensajes y las tres tareas

Un grafo es una forma preciosa de almacenar una red financiera — los bancos como nodos, los préstamos como aristas, toda la maraña enredada de quién-debe-a-quién dibujada en una sola imagen. Pero una imagen se queda ahí, quieta. Para aprender de ella — para predecir qué banco es frágil, qué transferencia es fraudulenta, qué red entera está a punto de agarrotarse — necesitáis un motor que convierta la estructura en números que un modelo pueda puntuar.

Ese motor tiene en su corazón una idea única, casi sospechosamente simple: el paso de mensajes. Cada nodo mira a sus vecinos, escucha lo que tienen que decir y actualiza su propia descripción de sí mismo. Hacedlo una vez y un nodo conoce su vecindario. Hacedlo dos veces y conoce el vecindario de su vecindario. Apilad unas cuantas rondas y un nodo lleva consigo un resumen comprimido de la porción de la red que alcanza — exactamente lo que queréis cuando un shock a dos saltos de préstamo todavía puede hundiros.

Esta lección construye el motor desde cero, y después muestra los tres trabajos a los que podéis apuntarlo. Si acertáis con el paso de mensajes, cualquier arquitectura posterior — GraphSAGE, GAT, las variantes con atención — es simplemente una elección distinta de cómo escucha un nodo.

El paradigma del paso de mensajes

Analogía. Tu reputación es la compañía que mantienes. Imaginad a una persona que, cada tarde, toma el ánimo medio de los amigos con los que ha hablado ese día y empuja su propio ánimo hacia él — y al día siguiente esos amigos hacen lo mismo, habiendo sido ellos mismos empujados por sus amigos. Tras unas cuantas tardes, los rumores de todo el círculo social se han difundido silenciosamente en el ánimo de todos. Un nodo en una GNN hace exactamente esto: cotillea con sus vecinos y actualiza su propio estado a partir de lo que oye.

Definición. Una red neuronal de grafos (GNN) calcula un vector para cada nodo — su embedding, un resumen numérico aprendido del nodo y su contexto. Lo hace en rondas llamadas capas. Sea $h_v^{(k)}$ el embedding del nodo $v$ tras la capa $k$, y sea $\mathcal{N}(v)$ el conjunto de vecinos de $v$ (los nodos conectados a él por una arista). Una capa genérica de paso de mensajes es:

$h_v^{(k)} = \text{UPDATE}\!\left( h_v^{(k-1)},\ \text{AGGREGATE}\big(\{\, h_u^{(k-1)} : u \in \mathcal{N}(v) \,\}\big) \right).$

Leedla de izquierda a derecha. AGGREGATE es una función que se traga el conjunto de embeddings de los vecinos y los comprime en un único vector resumen — una suma, una media, un máximo. UPDATE combina entonces ese resumen-de-vecinos con el propio embedding anterior del nodo $h_v^{(k-1)}$ para producir el nuevo. Los embeddings iniciales $h_v^{(0)}$ son simplemente las características de entrada en bruto del nodo (el ratio de capital de un banco, el número de transacciones de una cartera). En cada capa el modelo aprende pesos dentro de UPDATE y AGGREGATE, de modo que descubre qué información de los vecinos importa.

Ejemplo resuelto. Tomad un nodo objetivo con embedding $h_v^{(0)} = 0.3$ y cuatro vecinos con los valores $0.8,\ 0.2,\ 0.6,\ 0.4$. Usad el par de funciones más simple: AGGREGATE = media, y UPDATE = promedio-de-(uno-mismo, agregado).

Paso 1 — agregar los vecinos:

$\text{AGGREGATE} = \frac{0.8 + 0.2 + 0.6 + 0.4}{4} = \frac{2.0}{4} = 0.5.$

Paso 2 — actualizar promediando el propio valor del nodo con ese agregado:

$h_v^{(1)} = \frac{h_v^{(0)} + 0.5}{2} = \frac{0.3 + 0.5}{2} = \frac{0.8}{2} = 0.4.$

El nodo pasó de $0.3$ a $0.4$ — arrastrado hacia arriba por vecinos que, de media, están más altos que él. Ese es el motor entero en un solo número. Las GNN reales hacen esto con vectores y matrices de pesos aprendidas en lugar de escalares, pero la forma es idéntica: escuchar, agrupar, combinar.

Cuándo usarlo

El paso de mensajes es la herramienta adecuada en el momento en que las relaciones portan una señal que perderíais tratando las filas de forma independiente. Si el riesgo de un banco depende de a quién presta, la etiqueta de una cartera depende de con quién transacciona, o la legitimidad de una transferencia depende del patrón a su alrededor, queréis una GNN. Si cada fila es genuinamente independiente — las características describen por completo el resultado sin contexto relacional — un modelo tabular simple es más sencillo e igual de bueno. Recurrid al paso de mensajes cuando las aristas signifiquen algo.

Por qué la invariancia a permutaciones es innegociable

Analogía. Imaginad que contáis el dinero en un bote de monedas. No importa si sacáis primero la moneda de un euro o la de diez céntimos — el total es el total. Ahora imaginad en cambio que escribierais el valor de cada moneda en una fila de casillas en el orden en que las fuisteis sacando, y que vuestra respuesta dependiera de qué casilla contenía qué moneda. Barajad el orden de extracción y vuestra “respuesta” cambia, aunque el bote nunca lo hizo. Los vecinos en un grafo son monedas en un bote, no casillas en una fila.

Definición. Una función es invariante a permutaciones si reordenar sus entradas nunca cambia su salida: para cualquier reordenamiento, $f(\{x_1, x_2, \dots\}) = f(\{x_{\pi(1)}, x_{\pi(2)}, \dots\})$. Los poolings simétricos — suma, media y máximo — son todos invariantes a permutaciones, que es exactamente por lo que las GNN los usan para AGGREGATE. También manejan con elegancia el grado variable: un nodo con 2 vecinos y un nodo con 200 vecinos producen ambos un único vector resumen del mismo tamaño.

Ejemplo resuelto. Tomad tres valores de vecinos $\{0.8,\ 0.2,\ 0.6\}$ y reordenadlos a $\{0.2,\ 0.6,\ 0.8\}$.

Media del primer orden:

$\frac{0.8 + 0.2 + 0.6}{3} = \frac{1.6}{3} \approx 0.533.$

Media del conjunto reordenado:

$\frac{0.2 + 0.6 + 0.8}{3} = \frac{1.6}{3} \approx 0.533.$

Idéntica — a la media no le importa el orden. Ahora probad la alternativa rota, la concatenación, que simplemente pega los valores en un único vector ordenado. El primer orden da el vector $[0.8,\ 0.2,\ 0.6]$; el reordenamiento da $[0.2,\ 0.6,\ 0.8]$. Son vectores distintos, así que un modelo que los lea aprende cosas distintas del mismo vecindario. Peor aún, un nodo con cuatro vecinos produciría un vector de longitud 4 y un nodo con dos vecinos un vector de longitud 2 — el modelo ni siquiera puede aceptar ambos.

Cuándo usarlo

En realidad no elegís la invariancia a permutaciones — es un requisito estricto siempre que los vecinos son un conjunto sin orden, lo que en las redes financieras siempre lo son. Las contrapartes, los socios de transacción y los enlaces de cadena de suministro no tienen un primero ni un último inherentes. La verdadera elección es qué pooling invariante: media cuando os importa el vecino típico, suma cuando importan el recuento bruto y la exposición total (la suma crece con el grado; la media no), y máximo cuando un vecino dominante debe llevar la señal. La agregación sensible al orden solo tiene sentido en datos genuinamente secuenciados — una serie temporal de precios — que es otra lección completamente distinta.

El campo receptivo crece un salto cada vez

Analogía. Los rumores se propagan una conversación cada vez. Tras una tarde sabéis lo que saben vuestros amigos directos. Tras dos tardes sabéis lo que sus amigos les contaron — información de personas que nunca habéis conocido os ha llegado, retransmitida un salto más cada noche. Las capas de una GNN son tardes: cada una deja que la información recorra exactamente una arista más.

Definición. El campo receptivo de un nodo es el conjunto de otros nodos cuya información puede influir en su embedding final. Tras $K$ capas de paso de mensajes, el campo receptivo de un nodo es su vecindario de $K$ saltos — cada nodo alcanzable por un camino de a lo sumo $K$ aristas. La razón es mecánica: la capa 1 trae a los vecinos a 1 salto; los vecinos de la capa 2 ya han absorbido a sus vecinos a 1 salto en la capa 1, así que la capa 2 entrega indirectamente información a 2 saltos; y así sucesivamente. El número de capas es igual al número de saltos.

Ejemplo resuelto — contar el alcance. Supongamos que cada nodo tiene aproximadamente 3 vecinos (un grafo de grado medio 3). Trazad a cuántos nodos puede notar un objetivo a medida que añadís capas:

El alcance explota porque cada salto multiplica por el grado. Con 1 capa el nodo ve unos 3 nodos; con 3 capas, unos 39. (En una red financiera densa con grado medio 20, tres saltos pueden ya tocar miles de instituciones — lo cual es a la vez la potencia y el peligro, como advierte el siguiente aviso.)

Anticipo del contagio. Esta es toda la razón por la que las GNN encajan en el riesgo interbancario. Un modelo de 1 capa solo nota un shock en un banco al que prestáis directamente. Un modelo de 2 capas nota un shock a dos saltos de préstamo — un banco al que prestáis presta al banco que quebró, y la tensión se propaga de vuelta hasta vosotros a través de la cadena. Apilar capas codifica literalmente cuán lejos a través de la red de préstamos puede propagarse un impago antes de llegar a vuestra puerta.

Cuándo usarlo

Fijad el número de capas según la dependencia más larga que realmente necesitéis capturar, no según la mayor que podáis encajar. Para el contagio interbancario donde importan las exposiciones de segundo orden, lo típico son de 2 a 3 capas. Para anillos de fraude que abarcan cadenas largas de transferencias, quizá necesitéis más — pero vigilad el sobre-suavizado y el coste de cómputo creciente. La regla práctica: elegid $K$ para que coincida con la distancia en saltos a lo largo de la cual la influencia viaja genuinamente en vuestra red, y entonces parad.

Tareas a nivel de nodo — puntuar un único nodo

Analogía. Una agencia de crédito entrega a cada persona una puntuación. No puntúa relaciones ni puntúa toda la economía — puntúa individuos, de uno en uno, usando información sobre ellos y sus asociaciones financieras. Una tarea de GNN a nivel de nodo es la versión nativa de grafo de esa agencia.

Definición. Una tarea a nivel de nodo adjunta una predicción a cada nodo individual. Ejecutáis el paso de mensajes para obtener el embedding final del nodo $h_v^{(K)}$ — un vector que ahora codifica tanto las características propias del nodo como su contexto a $K$ saltos — y lo pasáis por un pequeño clasificador o regresor para producir la respuesta. Formalmente:

$\hat{y}_v = \text{CLASSIFY}\big(h_v^{(K)}\big).$

La salida puede ser una clase (cartera ilícita frente a legítima) o una puntuación continua (la calificación de fragilidad de un banco de 0 a 1).

Ejemplo resuelto. Ejecutad una GNN de 2 capas sobre un grafo de transacciones y una cartera concreta termina con el embedding $h_v^{(2)}$. Una capa final mapea ese embedding a un único número y una sigmoide lo aplasta en una probabilidad — digamos $0.87$. Con un umbral de decisión de $0.5$, la cartera se marca como ilícita (ya que $0.87$ supera $0.5$). Y lo crucial: ese $0.87$ refleja no solo el comportamiento propio de la cartera sino la compañía que mantiene: el paso de mensajes integró el hecho de que varios de sus vecinos a 2 saltos eran mezcladores (mixers) conocidos. Un modelo tabular plano que mirara solo la propia fila de la cartera habría pasado por alto esa señal de culpa-por-asociación.

Cuándo usarlo

Elegid tareas a nivel de nodo siempre que la unidad de decisión sea una única entidad: calificar la fragilidad de cada banco, etiquetar cada cartera, puntuar el riesgo de impago de cada cliente, clasificar cada cuenta como bot. Si vuestra pregunta empieza con “para cada X, predice…” y X es un nodo, este es vuestro tipo de tarea.

Tareas a nivel de arista — predecir un enlace

Analogía. Una aplicación de citas no se limita a describir a cada persona — predice si dos personas harían match. La puntuación vive en el par, calculada a partir de ambos perfiles. Las tareas a nivel de arista son emparejamiento para nodos: dadas dos entidades, ¿cuán probable es un enlace entre ellas?

Definición. Una tarea a nivel de arista (o predicción de enlaces) predice si existe una arista entre dos nodos, o cuál es su peso. Primero calculáis ambos embeddings de los extremos $h_u^{(K)}$ y $h_v^{(K)}$ con el paso de mensajes, y después los combináis en una única puntuación de arista. Dos combinadores estándar:

• Producto escalar: $\ \hat{y}_{uv} = h_u^{(K)} \cdot h_v^{(K)}$ — grande cuando los dos embeddings apuntan en la misma dirección, es decir, los nodos son “compatibles”.
• MLP sobre la concatenación: $\ \hat{y}_{uv} = \text{MLP}\big([\, h_u^{(K)} \,\|\, h_v^{(K)} \,]\big)$ — pasad ambos embeddings, pegados, a una pequeña red que aprende una regla de puntuación más flexible. (Aquí concatenar dos extremos concretos está bien — hay exactamente dos, en un rol definido, así que los problemas de grado variable y de orden de antes no aplican.)

Ejemplo resuelto. Dos empresas tienen embeddings $h_u^{(K)} = [0.5,\ 0.2,\ 0.8]$ y $h_v^{(K)} = [0.4,\ 0.1,\ 0.6]$. Puntuad la arista candidata con un producto escalar:

$h_u^{(K)} \cdot h_v^{(K)} = (0.5)(0.4) + (0.2)(0.1) + (0.8)(0.6) = 0.20 + 0.02 + 0.48 = 0.70.$

Pasad $0.70$ por una sigmoide y obtenéis una probabilidad de en torno a $0.67$ — un enlace de suministro faltante moderadamente probable, digno de avisar a un analista para que investigue. La misma maquinaria predice una transferencia fraudulenta (¿una arista entre estas dos cuentas tiene pinta de blanqueo?) o la exposición a la contraparte (¿cuán grande debería ser el peso de la arista entre estos dos bancos?).

Cuándo usarlo

Recurrid a las tareas a nivel de arista cuando la pregunta trata de una relación entre dos nodos: recomendar o inferir un enlace de contraparte faltante, marcar una transferencia como fraudulenta, predecir una operación futura entre dos mesas, estimar el peso (tamaño de la exposición) de un préstamo interbancario, o rellenar huecos en una red de suministro observada parcialmente. Si la respuesta se adjunta a un par, es a nivel de arista.

Tareas a nivel de grafo — puntuar toda una red

Analogía. Un médico no os diagnostica a partir de una sola célula — toma las lecturas de todo el cuerpo y emite un único veredicto: sano o no. Una tarea a nivel de grafo es ese veredicto de cuerpo entero para una red: colapsad todo lo que habéis aprendido sobre cada nodo en un único resumen, y después decidid sobre la red en su conjunto.

Definición. Una tarea a nivel de grafo produce una única predicción para un grafo entero. Después de que el paso de mensajes da a cada nodo su embedding, un readout (también llamado pooling de grafo) combina todos los embeddings de los nodos en un único vector de grafo de tamaño fijo, que un clasificador final puntúa:

$h_G = \text{READOUT}\big(\{\, h_v^{(K)} : v \in G \,\}\big), \qquad \hat{y}_G = \text{CLASSIFY}\big(h_G\big).$

El READOUT debe ser invariante a permutaciones por la misma razón que lo era AGGREGATE — los nodos no tienen un orden canónico — así que es de nuevo una suma, una media o un máximo sobre cada nodo. (La suma preserva un sentido del tamaño y de la actividad total; la media lo normaliza. Elegid según si la escala del grafo debe importar al veredicto.)

Ejemplo resuelto. Un pequeño subgrafo sospechoso de blanqueo tiene tres cuentas cuyos embeddings finales se reducen a los escalares $0.9,\ 0.7,\ 0.8$ (en la práctica son vectores). Un readout de media da el vector de grafo:

$h_G = \frac{0.9 + 0.7 + 0.8}{3} = \frac{2.4}{3} = 0.8.$

Pasad $0.8$ por el clasificador de grafo y cruza el umbral del patrón de blanqueo — se marca el subgrafo entero, no una sola cuenta. Esa es la granularidad correcta: el blanqueo es un patrón a través de cuentas (entrada en abanico, salida en abanico, ida y vuelta rápida), así que el veredicto tiene que vivir en el grafo, no en sus nodos individuales.

Cuándo usarlo

Elegid tareas a nivel de grafo cuando el objeto que puntuáis es la propia red: clasificar todo un subgrafo de transacciones como blanqueo o limpio, puntuar la fragilidad sistémica de una cartera, etiquetar el estado actual del mercado como un régimen estresado o calmado, o comparar dos estructuras de red parecidas a moléculas. Si la respuesta es un único veredicto para el grafo entero, necesitáis un readout y una cabeza a nivel de grafo.

Las tres tareas, una al lado de la otra

Toda aplicación de GNN se reduce a uno de estos tres trabajos. La diferencia es puramente a qué adjuntáis la predicción final — un nodo, un par de nodos o el grafo entero — y por tanto qué pooling (si lo hay) hacéis al final.

Recapitulación

Habéis construido el motor. El paso de mensajes es simplemente agregar de tus vecinos y después actualizarte a ti mismo — repetidlo capa a capa y el embedding de un nodo crece hasta codificar su porción de $K$ saltos de la red. La agregación debe ser invariante a permutaciones (suma, media, máximo), porque los vecinos son un conjunto sin orden y de tamaño variable, y la concatenación se rompe por ambos motivos. Apilar $K$ capas alcanza $K$ saltos, que es exactamente cómo una GNN puede notar un shock viajando varios saltos de préstamo a través de una red interbancaria — aunque demasiadas capas sobre-suavizan a todos hasta dejarlos hechos papilla. Y sea lo que sea a lo que apuntéis el motor, el trabajo es uno de tres: a nivel de nodo (puntuar una entidad), a nivel de arista (puntuar una relación) o a nivel de grafo (puntuar toda la red, vía un readout que agrupa cada nodo).