O que é R-GCN para grafos com arestas tipadas?

R-GCN (Rede Neural Convolucional de Grafos Relacionais) é uma variante das redes neuronais de grafos projetada para trabalhar com grafos onde as arestas têm tipos (diferentes relações entre nós). Ao contrário das GCN clássicas, que agregam informações dos vizinhos sem considerar os tipos de relações, o R-GCN leva em conta os tipos de arestas, aplicando matrizes de peso separadas para cada tipo de relação. Isso permite que o modelo capture melhor a estrutura e a semântica de grafos complexos, por exemplo, em tarefas de análise de conhecimento ou redes sociais.

Exemplo de uma fórmula simplificada para a atualização das características do nó 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)

onde:

• R — conjunto de tipos de arestas,
• N_r(v) — vizinhos do nó v por arestas do tipo r,
• W_r^{(l)} — matriz de peso para o tipo r na camada l,
• c_{v,r} — coeficiente de normalização,
• \sigma — função de ativação.

Dessa forma, o R-GCN modela eficazmente relações complexas em grafos com arestas heterogêneas.