Proyecto de investigación · Graph Neural Networks · ML experimental
Do We Need GNN Edge?
Investigación experimental para analizar cuándo las Graph Neural Networks realmente aportan valor frente a modelos más simples en predicción térmica sobre estructuras representadas como grafos.
¿Cuándo merece la pena usar una GNN?
El proyecto estudia la predicción térmica sobre una cuadrícula modelada como grafo y compara arquitecturas con distintos niveles de complejidad: desde un MLP como baseline hasta Full-GNN, Tiny-GNN y Tiny-GNN con regularización física mediante PINN.
La idea no es vender la arquitectura más compleja por defecto, sino medir con rigor cuándo la estructura de grafo aporta señal útil, cuándo un modelo simple compite mejor y qué coste existe en precisión, parámetros y robustez ante ruido.
Experimentos reproducibles, comparables y orientados a conclusiones
El repositorio incluye código de simulación, entrenamiento, sweep experimental, resultados finales, informes, figuras y tablas. Las configuraciones comparan checkpoints, dimensiones ocultas, fracciones de datos, niveles de ruido y valores de lambda para PINN.
40 – 50rango de seeds usado
0.125 – 1.0fracciones de datos
0 – 0.20niveles de ruido evaluados
Comparativa experimental clara y defendible
El resultado principal es sólido: Full-GNN lidera el MSE medio global. Pero el análisis también muestra matices importantes: MLP sigue siendo competitivo en escenarios limpios o simples, y Tiny-GNN + PINN aporta mejora frente a Tiny-GNN cuando hay ruido.
Ranking por MSE medioTest MSE · menor es mejor
Configuraciones ganadas330 comparaciones completas
144Full-GNN
85MLP
61Tiny-GNN + PINN
40Tiny-GNN
Lectura técnica:
La estructura de grafo aporta ventaja global, pero no sustituye el criterio experimental: comparar contra baselines simples es lo que hace que la conclusión sea defendible.
Una evaluación honesta de complejidad frente a rendimiento
Los resultados muestran que Full-GNN obtiene el mejor MSE medio global, mientras que MLP gana muchas configuraciones individuales, especialmente en escenarios limpios o simples. Tiny-GNN actúa como alternativa ligera con muchos menos parámetros, y Tiny-GNN + PINN mejora de forma clara sobre Tiny-GNN, especialmente con ruido.
Código, resultados finales, figuras y tablas publicados en GitHub con una estructura limpia para revisión técnica.
Abrir repositorioDemuestra criterio de investigación aplicada: diseño experimental, comparación de baselines, análisis de resultados, reproducibilidad y comunicación técnica orientada a decisiones.