Was ist R-GCN für Graphen mit typisierten Kanten?

R-GCN (Relational Graph Convolutional Network) ist eine Variante der Graph-Neuronalen Netze, die für die Arbeit mit Graphen entwickelt wurde, bei denen die Kanten Typen haben (unterschiedliche Beziehungen zwischen Knoten). Im Gegensatz zu klassischen GCNs, die Informationen von Nachbarn ohne Berücksichtigung der Beziehungstypen aggregieren, berücksichtigt R-GCN die Kantenarten, indem es separate Gewichtsmatrizen für jeden Beziehungstyp anwendet. Dies ermöglicht dem Modell, die Struktur und Semantik komplexer Graphen besser zu erfassen, z.B. bei Wissens- oder sozialen Netzwerkanalysen.

Beispiel für eine vereinfachte Formel zur Aktualisierung der Merkmale des Knotens 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)

wobei:

• R — Menge der Beziehungstypen,
• N_r(v) — Nachbarn des Knotens v durch Kanten vom Typ r,
• W_r^{(l)} — Gewichtungsmatrix für den Typ r in Schicht l,
• c_{v,r} — Normalisierungskoeffizient,
• \sigma — Aktivierungsfunktion.

Auf diese Weise modelliert R-GCN effektiv komplexe Zusammenhänge in Graphen mit heterogenen Kanten.