Qu'est-ce que R-GCN pour les graphes avec des arêtes typées?

R-GCN (Réseau de Convolution Graph Relational) est une variante des réseaux neuronaux graphiques conçue pour travailler avec des graphes où les arêtes ont des types (différentes relations entre les nœuds). Contrairement aux GCN classiques, qui agrègent l’information des voisins sans tenir compte des types de relations, R-GCN prend en compte les types d’arêtes, en appliquant des matrices de poids séparées pour chaque type de relation. Cela permet au modèle de mieux capturer la structure et la sémantique de graphes complexes, par exemple dans des tâches d’analyse de connaissances ou de réseaux sociaux.

Exemple d’une formule simplifiée pour la mise à jour des caractéristiques du nœud 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)

où:

• R — ensemble de types d’arêtes,
• N_r(v) — voisins du nœud v par arêtes du type r,
• W_r^{(l)} — matrice de poids pour le type r à la couche l,
• c_{v,r} — coefficient de normalisation,
• \sigma — fonction d’activation.

Ainsi, R-GCN modélise efficacement des relations complexes dans des graphes avec des arêtes hétérogènes.