Czym jest R-GCN dla grafów z typowanymi krawędziami?

R-GCN (Relational Graph Convolutional Network) to odmiana sieci neuronowych grafowych, zaprojektowana do pracy z grafami, w których krawędzie mają typy (różne relacje między węzłami). W przeciwieństwie do klasycznych GCN, które agregują informacje od sąsiadów bez uwzględniania typów relacji, R-GCN uwzględnia typy krawędzi, stosując oddzielne macierze wag dla każdego typu relacji. Pozwala to modelowi lepiej uchwycić strukturę i semantykę złożonych grafów, na przykład w zadaniach analizy wiedzy lub sieci społecznych.

Przykład uproszczonej formuły aktualizacji cech węzła 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)

gdzie:

• R — zbiór typów krawędzi,
• N_r(v) — sąsiedzi węzła v według krawędzi typu r,
• W_r^{(l)} — macierz wag dla typu r na warstwie l,
• c_{v,r} — współczynnik normalizacji,
• \sigma — funkcja aktywacji.

W ten sposób R-GCN skutecznie modeluje złożone relacje w grafach z heterogenicznymi krawędziami.