超级会员免费看
本文详细介绍了GAT（Graph Attention Networks），一种克服GCN局限性的图神经网络模型。GAT通过注意力机制为邻域节点分配不同权重，适合处理有向图和归纳式任务。模型结构简单且高效，适用于直推式和归纳式学习，尤其在节点分类任务中表现出色。GAT的关键创新包括图注意力层、多头注意力层和消息传递机制，提供了一种有效处理图结构数据的方法。
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 ( ∣ V ∣ F
订阅专栏 解锁全文
1961
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
