Cos'è R-GCN per grafi con spigoli tipizzati?

R-GCN (Relational Graph Convolutional Network) è una variante delle reti neurali a grafo progettata per lavorare con grafi in cui gli spigoli hanno tipi (relazioni diverse tra i nodi). A differenza delle GCN classiche, che aggregano le informazioni dai vicini senza considerare i tipi di relazione, R-GCN tiene conto dei tipi di spigoli, applicando matrici di peso separate per ogni tipo di relazione. Questo permette al modello di catturare meglio la struttura e la semantica di grafi complessi, ad esempio in compiti di analisi della conoscenza o reti sociali.

Esempio di una formula semplificata per l’aggiornamento delle caratteristiche 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)

dove:

• R — insieme di tipi di spigoli,
• N_r(v) — vicini del nodo v per spigoli di tipo r,
• W_r^{(l)} — matrice di peso per il tipo r nello strato l,
• c_{v,r} — coefficiente di normalizzazione,
• \sigma — funzione di attivazione.

In questo modo, R-GCN modella efficacemente relazioni complesse in grafi con spigoli eterogenei.