R-GCN ինչ է գրաֆների համար, որոնց եզրերը տիպավորված են?

R-GCN (Հարաբերական Գրքային Կոնվոլյուցիոն Ներքին) — դա գրաֆային նեյրոնային ցանցերի տեսակ է, որը նախատեսված է աշխատելու այն գրաֆների հետ, որտեղ եզրերը ունեն տիպեր (տարբեր հարաբերություններ հանգույցների միջև): Տարբեր է դասական GCN-ներից, որոնք հավաքում են տեղեկությունները հարևաններից առանց հարաբերությունների տիպերի հաշվի առնելու, R-GCN-ն հաշվի է առնում եզրերի տիպերը՝ կիրառելով առանձին քաշային մատրիցներ յուրաքանչյուր հարաբերության տիպի համար: Սա թույլ է տալիս մոդելին ավելի լավ պատկերացնել բարդ գրաֆների կառուցվածքը և սեմանտիկան, օրինակ՝ գիտելիքների վերլուծության կամ սոցիալական ցանցերի խնդիրներում:

Նմուշ՝ հանգույց v-ի հատկությունների թարմացման պարզեցված բանաձևը՝

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)

որտեղ՝

• R — եզրերի տիպերի հավաքածու,
• N_r(v) — հանգույց v-ի հարևանները ռ-տիպի եզրերով,
• W_r^{(l)} — քաշային մատրից, որը համապատասխանում է ռ տիպին շերտ l-ում,
• c_{v,r} — նորմալիզացիոն գործակից,
• \sigma — ակտիվացման ֆունկցիա:

Այս կերպ, R-GCN-ն արդյունավետ կերպով մոդելավորում է բարդ հարաբերություններ տարբեր տիպի եզրերով գրաֆներում: