Wat is R-GCN voor grafen met getypeerde randen?

R-GCN (Relational Graph Convolutional Network) is een variant van neurale netwerken voor grafen, ontworpen om te werken met grafen waarbij de randen verschillende types hebben (verschillende relaties tussen knooppunten). In tegenstelling tot klassieke GCN's, die informatie van buren verzamelen zonder rekening te houden met de types van relaties, houdt R-GCN rekening met de types van randen door aparte gewichtsmatrices voor elk type relatie toe te passen. Dit stelt het model in staat om de structuur en semantiek van complexe grafen beter te vangen, bijvoorbeeld bij kennisanalyse of sociale netwerken.

Een voorbeeld van een vereenvoudigde formule voor de update van de kenmerken van knooppunt 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)

waar:

• R — verzameling van randtypes,
• N_r(v) — buren van knooppunt v via r-typen randen,
• W_r^{(l)} — gewichtsmatrix voor type r op laag l,
• c_{v,r} — normalisatiecoëfficiënt,
• \sigma — activatiefunctie.

Op deze manier modelleert R-GCN effectief complexe relaties in grafen met heterogene randen.