Mi az az R-GCN típusos élekkel rendelkező gráfokhoz?

R-GCN (Relációs Graph Konvolúciós Hálózat) egy változata a gráf neurális hálózatoknak, amelyet arra terveztek, hogy olyan gráfokkal dolgozzon, ahol az élek típusokkal rendelkeznek (különböző kapcsolatok a csomópontok között). A klasszikus GCN-ekkel ellentétben, amelyek a szomszédoktól gyűjtik az információkat anélkül, hogy figyelembe vennék a kapcsolatok típusát, az R-GCN figyelembe veszi az éltípusokat, külön súlymátrixokat alkalmazva minden kapcsolattípushoz. Ez lehetővé teszi a modell számára, hogy jobban megragadja a komplex gráfok szerkezetét és szemantikáját, például tudás- vagy közösségi hálózatok elemzése során.

Egyszerűsített képlet példa a v csomópont jellemzőinek frissítésére:

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)

ahol:

• R — az éltípusok halmaza,
• N_r(v) — a v csomópont szomszédai az r típusú éleken keresztül,
• W_r^{(l)} — súlymátrix az r típushoz az l rétegen,
• c_{v,r} — normalizációs tényező,
• \sigma — aktivációs függvény.

Így az R-GCN hatékonyan modellezi a komplex kapcsolatrendszereket heterogén élekkel rendelkező gráfokban.