Kas ir R-GCN grafiem ar tipizētām malām?

R-GCN (Relational Graph Convolutional Network) ir dažādu tipu malu grafu neironu tīkls, kas ir izstrādāts darbam ar grafiem, kuros malas ir dažādu tipu (atšķirīgas attiecības starp mezgliem). Atšķirībā no klasiskajiem GCN, kas apkopo informāciju no kaimiņiem, neņemot vērā attiecību tipus, R-GCN ņem vērā malu tipus, piemērojot atsevišķas svaru matricas katram attiecību tipam. Tas ļauj modelim labāk uztvert sarežģītu grafu struktūru un semantiku, piemēram, zināšanu analīzē vai sociālajos tīklos.

Piemērs vienkāršotai formulai, kas atjauno mezgla v īpašības:

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)

kur:

• R — malu tipu kopums,
• N_r(v) — kaimiņi mezglam v pēc malu tipa r,
• W_r^{(l)} — svaru matrica, kas atbilst tipam r līmenī,
• c_{v,r} — normalizācijas koeficients,
• \sigma — aktivizācijas funkcija.

Tādējādi, R-GCN efektīvi modelē sarežģītas attiecības grafos ar dažādu tipu malām.