图神经网络（九）：GRAPH ATTENTION NETWORKS

一句话概括该论文：
这篇论文提出了用注意力机制来获取节点重要性的方式，通过获取的重要性程度，我们可以得到更加合理的节点表示，解决了以往GCN中必须知道全部节点的信息的问题，得到的结论是：通过使用注意力机制我们可以较为完美的知道每个节点的重要程度，通过这个重要程度我们可以有针对的对节点进行处理，增加了节点表达的能力。

以往GCN的缺点：
这个模型对于同阶的领域上分配给不同的邻居的权重是完全相同的，这一点限制了模型对于空间信息的相关性的捕捉能力。

GCN结合邻近节点特征的方式和图的结构息息相关，这局限了训练所的模型在其他图结构上的泛化能力。

GAT的优点：
在GAT中，图的每个节点可以根据邻居的特征来为其分配不同的权重。

GAT的另一个优点在于：引入了注意力机制后，只与相邻节点有关，即共享边的节点有关，无需得到整张图的信息。它使我们的技术直接适用于inductive learning，而传统GCN必须提前知道所有图结构的信息，所以属于transductive learning。

Introduction：
研究背景：
传统CNN的兴起在很多领域获得了很大的成功，