Какво е R-GCN за графи с типизирани ръбове?

R-GCN (Relational Graph Convolutional Network) е разновидност на графови невронни мрежи, предназначена за работа с графи, където ръбовете имат типове (различни отношения между възлите). За разлика от класическите GCN, които агрегатно събират информация от съседите без да вземат предвид типовете връзки, R-GCN отчита типовете ръбове, като прилага отделни тежестни матрици за всеки тип връзка. Това позволява на модела по-добре да улавя структурата и семантиката на сложни графи, например при анализ на знания или социални мрежи.

Пример за опростена формула за актуализация на характеристиките на възела v:

h_v^{(l+1)} = \sigma \left( \sum_{r \in R} \sum_{u \in N_r(v)} \frac{1}{c_{v,r}} W_r^{(l)} h_u^{(l)} + W_0^{(l)} h_v^{(l)} \right)

където:

• R — множеството от типове ръбове,
• N_r(v) — съседите на възела v по ръбове от тип r,
• W_r^{(l)} — тежестна матрица за тип r на слой l,
• c_{v,r} — коефициент за нормализация,
• \sigma — функция на активация.

По този начин, R-GCN ефективно моделира сложни взаимовръзки в графи с разнородни ръбове.