一、概述
Graph数据结构的两种特征:
当我们提到Graph或者网络的时候,通常是包含顶点和边的关系,那么我们的研究目标就聚焦在顶点之上。而除了结构之外,每个顶点还有着自己的特征,因此我们图上的深度学习,无外乎就是希望学习上面两种特征。
GAT(graph attention networks)网络特点:
-
它与先前方法不同的是,它使用了masked self-attention层。
-
原来的图卷积网络所存在的问题需要使用预先构建好的图。而在本文模型中,图中的每个节点可以根据邻域节点的特征,为其分配不同的权值。
-
GAT结构很简单,功能很强大,模型易于解释。
-
文章的实验证明,GAT模型可以有效地适用于基于图的归纳学习问题与直推式学习问题。
-
GAT是高效的。相比于其他图模型,GAT 无需使用特征值分解等复杂的矩阵运算。
-
单层 GAT 的 时间复杂度为 O