Brikz Labs · Demo 06 · Graph Foundation Model
GraphAny e GraphFM são foundation models de grafo que generalizam zero-shot para qualquer rede nova, sem retreino. Esta demo gera uma rede sintética de cedentes e sacados em uma carteira FIDC, e identifica comunidades estruturais por similaridade de embedding. O stress test deteriora um nó e propaga o risco pela comunidade — mecanismo análogo ao usado para risco sistêmico em cadeia de fornecimento.
Comunidades identificadas
Cada comunidade é detectada zero-shot por propagação de label sobre o grafo. O score de risco é função da densidade interna e da centralização do hub.
Modo de visualização
Estrutura
Stress test
Clique em qualquer nó da rede para simular sua deterioração. O modelo propaga o risco pela comunidade, com decaimento por proximidade estrutural.
A rede acima foi gerada agora. Comunidades já foram identificadas pelo modelo, que não viu este grafo antes — característica central dos Graph Foundation Models.
Honestidade da demo
O GraphAny real (Liu et al., 2024) e o GraphFM (Perceiver-based, NeurIPS 2024) são modelos pré-treinados em centenas de grafos diversos. Generalizam zero-shot para grafos novos com qualquer dimensão de feature e qualquer número de classes.
Esta demo não carrega esses modelos no browser. Em vez disso, simula o comportamento qualitativo via propagação de label e embedding estrutural (degree, clustering coefficient, PageRank aproximado por power iteration). Comunidades emergem sem treino, da mesma forma que o modelo real emergiria.
Em produção, a Brikz utiliza Graph FM hospedado em Vertex AI, sobre Spanner Graph para o grafo operacional de cessão e BigQuery Graph para análise histórica.
Estado da arte · Graph FM
GraphAny (2024)
Primeiro Graph FM onde um único modelo pré-treinado faz classificação de nó em qualquer grafo, com qualquer dimensão de feature e qualquer número de classes. Pré-treinado em 120 nós do dataset Wisconsin, generaliza para mais de trinta grafos diferentes.
arXiv:2405.20445 · open source
GraphFM · Perceiver-based (NeurIPS 2024)
Pré-treinado em 152 datasets de grafo cobrindo 7,4 milhões de nós e 189 milhões de arestas. Usa Perceiver com tokens latentes compartilhados para comprimir features de domínio em espaço latente comum.
OpenReview zaxyuX8eqw
GraphFM benchmark
Benchmark sistemático para Graph FMs baseados em GSSL (Graph Self-Supervised Learning). Pesos e código abertos. Referência para comparar variantes em domínios distintos.
arXiv:2406.08310
Google Research · grafo relacional
"Graph foundation models for relational data" (Google Research blog, 2024). Foundation models aplicados a dado relacional bancário, com integração nativa a BigQuery. Linha alinhada ao stack Brikz.
research.google/blog/graph-foundation-models-for-relational-data
Survey e aplicação financeira
"Graph Foundation Models: A Comprehensive Survey" (arXiv:2505.15116, maio de 2025) mapeia o campo. "Advancing Financial Engineering with Foundation Models" (ScienceDirect S209580992500757X) conecta a tese diretamente a engenharia financeira.