¿Qué es R-GCN para grafos con aristas tipadas?

R-GCN (Redes Neuronales Convolucionales de Grafos Relacionales) es una variante de las redes neuronales de grafos diseñada para trabajar con grafos donde las aristas tienen tipos (diferentes relaciones entre nodos). A diferencia de las GCN clásicas, que agregan información de los vecinos sin tener en cuenta los tipos de relaciones, R-GCN considera los tipos de aristas, aplicando matrices de peso separadas para cada tipo de relación. Esto permite que el modelo capture mejor la estructura y semántica de grafos complejos, por ejemplo, en tareas de análisis de conocimientos o redes sociales.

Ejemplo de una fórmula simplificada para la actualización de las características del nodo 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)

donde:

• R — conjunto de tipos de aristas,
• N_r(v) — vecinos del nodo v por aristas del tipo r,
• W_r^{(l)} — matriz de peso para el tipo r en la capa l,
• c_{v,r} — coeficiente de normalización,
• \sigma — función de activación.

De esta manera, R-GCN modela eficazmente relaciones complejas en grafos con aristas heterogéneas.