特征图注意力_向往的GAT（图注意力模型）

0 GRAPH ATTENTION NETWORKS的诞生

随着GCN的大红大紫（可以参考如何理解 Graph Convolutional Network（GCN）？），graph领域的deep learning研究可谓变得风生水起，人工智能又出现了新的网红。GCN在一系列任务取得了突破性进展的同时，一系列的缺点也逐渐被放大。

深度学习三巨头”之一的Yoshua Bengio组提出了Graph Attention Networks（下述简称为GAT）去解决GCN存在的问题并且在不少的任务上都取得了state of art的效果（可以参考机器之心：深入理解图注意力机制的复现结果），是graph neural network领域值得关注的工作。

1 聊点基础

登堂入室之前，先介绍三点基础问题。

1.1 Graph数据结构的两种“特征”

当我们说起graph或者network的数据结构，通常是包含着顶点和边的关系。研究目标聚焦在顶点之上，边诉说着顶点之间的关系。

对于任意一个顶点

，它在图上邻居

,构成第一种特征，即图的结构关系。

图1 graph示意图

当然，除了图的结构之外，每个顶点还有自己的特征

（通常是一个高维向量）。

它可以使社交网络中每个用户的个体属性；可以是生物网络中，每个蛋白质的性质；还可以使交通路网中，每个交叉口的车流量。

graph上的deep learning方法无外乎就是希望学习上面的两种特征。

1.2 GCN的局限性

GCN是处理transductive任务的一把利器（transductive任务是指：训练阶段与测试阶段都基于同样的图结构），然而GCN有两大局限性是经常被诟病的：

（a）无法完成inductive任务，即处理动态图问题。inductive任务是指：训练阶段与测试阶段需要处理的graph不同。通常是训练阶段只是在子图（subgraph）上进行，测试阶段需要处理未知的顶点。（unseen node）

（b）处理有向图的瓶颈，不容易实现分配不同的学习权重给不同的neighbor。这一点在前面的文章中已经讲过了，不再赘述，如有需要可以参考下面的链接。

superbrother：解读三种经典GCN中的Parameter Sharing​zhuanlan.zhihu.com

1.3 Mask graph attention or global graph attention

还有一件事件需要提前说清楚：GAT本质上可以有两种运算方式的，这也是原文中作者提到的

• Global graph attention

顾名思义，就是每一个顶点

都对于图上任意顶点都进行attention运算。

可以理解为图1的蓝色顶点对于其余全部顶点进行一遍运算。

优点：完全不依赖于图的结构，对于inductive任务无压力

缺点：（1）丢掉了图结构的这个特征，无异于自废武功，效果可能会很差（2）运算面临着高昂的成本

• Mask graph attention

注意力机制的运算只在邻居顶点上进行，也就是说图1的蓝色顶点只计算和橙色顶点的注意力系数。

作者在原文中GAT ARCHITECTURE这一节中写道"We inject the graph structure into the mechanism by performing masked attention—we only compute eij for nodes j ∈Ni, whereNi is some neighborhood of node i in the graph. "

显然作者在文中采用的是masked attention，DGL里实现的也是如此，以下的解读均基于这种方式。

2 GAT并不难懂

和所有的attention mechanism一样，GAT的计算也分为两步走：

2.1 计算注意力系数（attention coefficient）

对于顶点

，逐个计算它的邻居们（

）和它自己之间的相似系数

解读一下这个公式：首先一个共享参数

的线性映射对于顶点的特征进行了增维，当然这是一种常见的特征增强（feature augment）方法

；

对于顶点

的变换后的特征进行了拼接（concatenate）；

最后

把拼接后的高维特征映射到一个实数上，

作者是通过 single-layer feedforward neural network实现的。

显然学习顶点

之间的相关性，就是通过可学习的参数

和映射

完成的。

有了相关系数，离注意力系数就差归一化了！其实就是用个softmax

要注意这里作者用了个

，至于原因嘛，估计是试出来的，毕竟深度玄学。

上面的步骤可以参考图2进行理解

图2 第一步运算示意图

2.2 加权求和（aggregate）

完成第一步，已经成功一大半了。第二步很简单，根据计算好的注意力系数，把特征加权求和（aggregate）一下。

就是GAT输出的对于每个顶点

的新特征（融合了邻域信息），

是激活函数。

式（3）看着还有点单薄，俗话说一个篱笆三个桩，attention得靠multi-head帮！来进化增强一下

嗯，这次看起来就很健壮了，multi-head attention也可以理解成用了ensemble的方法，毕竟convolution也得靠大量的卷积核才能大显神威！

上面的步骤可以参考图3进行理解

图3 第二步运算示意图

3 谈几点深入的理解

3.1 与GCN的联系与区别

无独有偶，我们可以发现本质上而言：GCN与GAT都是将邻居顶点的特征聚合到中心顶点上（一种aggregate运算），利用graph上的local stationary学习新的顶点特征表达。不同的是GCN利用了拉普拉斯矩阵，GAT利用attention系数。一定程度上而言，GAT会更强，因为 顶点特征之间的相关性被更好地融入到模型中。

3.2 为什么GAT适用于有向图？

我认为最根本的原因是GAT的运算方式是逐顶点的运算（node-wise），这一点可从公式（1）—公式（3）中很明显地看出。每一次运算都需要循环遍历图上的所有顶点来完成。逐顶点运算意味着，摆脱了拉普利矩阵的束缚，使得有向图问题迎刃而解。

3.3为什么GAT适用于inductive任务？

GAT中重要的学习参数是

与

，因为上述的逐顶点运算方式，这两个参数仅与1.1节阐述的顶点特征相关，与图的结构毫无关系。所以测试任务中改变图的结构，对于GAT影响并不大，只需要改变

，重新计算即可。

与此相反的是，GCN是一种全图的计算方式，一次计算就更新全图的节点特征。学习的参数很大程度与图结构相关，这使得GCN在inductive任务上遇到困境。

目前，我们团队利用GCN和GAT在交通预测领域有不少探索，欢迎感兴趣的朋友参考。如果有帮助，还希望可以引用我们的论文。

Multistep speed prediction on traffic networks: A deep learning approach considering spatio-temporal dependencies​www.mendeley.com

• Zhang, Z., Li, M., Lin, X., Wang, Y., & He, F. (2019). Multistep speed prediction on traffic networks: A deep learning approach considering spatio-temporal dependencies.Transportation Research Part C: Emerging Technologies,105, 297-322.

https://www.tandfonline.com/doi/full/10.1080/21680566.2020.1822765​www.tandfonline.com

• Ke Zhang, Fang He, Zhengchao Zhang, Xi Lin & Meng Li(2020)Graph attention temporal convolutional network for traffic speed forecasting on road networks,Transportmetrica B: Transport Dynamics,DOI:10.1080/21680566.2020.1822765