Co je R-GCN pro grafy s typovanými hranami?

R-GCN (Relational Graph Convolutional Network) je varianta grafových neuronových sítí navržená pro práci s grafy, kde hrany mají typy (různé vztahy mezi uzly). Na rozdíl od klasických GCN, které shromažďují informace od sousedů bez ohledu na typy vztahů, R-GCN zohledňuje typy hran tím, že aplikuje samostatné váhové matice pro každý typ vztahu. To umožňuje modelu lépe zachytit strukturu a sémantiku složitých grafů, například při analýze znalostí nebo sociálních sítí.

Příklad zjednodušené vzorce pro aktualizaci vlastností uzlu 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)

kde:

• R — množina typů hran,
• N_r(v) — sousedé uzlu v podle hran typu r,
• W_r^{(l)} — váhová matice pro typ r ve vrstvě l,
• c_{v,r} — normalizační koeficient,
• \sigma — aktivační funkce.

Tímto způsobem R-GCN efektivně modeluje složité vztahy v grafech s heterogenními hranami.