图神经网络三大基础算法——GAT

GAT

这个模型其实就是求取i节点周围节点的ATTENTION系数，我再通过这个ATTENTION系数对周围邻居节点进行一个在线求和，那么我就求得了节点聚合了周围节点的特征。
${\alpha }_{ij}$是i节点和j节点的注意力机制权重系数；
$W$是关于${\overrightarrow{h}}_i$和${\overrightarrow{h}}_j$的可学习的参量；
①将这两个向量拼接在一起，再经过一个可学习的参数${\overrightarrow{\alpha }}^T$,就可以得到i节点和j节点的ATTENTION的值；

②再对它进行一个归一化的操作，类似Softmax；
③再用这个系数${\alpha }_{ij}$,聚合i节点周围的邻居节点${\overrightarrow{h}}_j$,乘以可学习的参数W，那这样就聚合了周围邻居节点的特征${\overrightarrow{h}}_i^{’}$，作为下一层节点的特征；

举个例子：

多头注意力机制：
多次使用ATTENTINO系数来计算节点的特征，能更加表达节点i和节点j之间的相关性；

三种颜色，代表了不同的ATTENTION系数；（类似于多通道，不同的通道提取的信息方式不同）

cocat:将向量拼在一起；如果是最后一层是直接连接softmax，则这种cocat方式是没有必要的，同个节点的三种表示使用，softmax不能很好的表示每一个类别是怎么样的，而是要计算平均值；如果最后一层是连接全连接层，那就无所谓了；
图网路的应用
有一些节点我们知道它的label，有一些节点我们不知道它的label，求未知节点的label；
加了一个新的节点x，我们可以推理出它所属的label；
先在老的图上面学习，给了一张新的图，我们要推理出来这张图中每个节点所属的类别；
为什么不能用GCN呢？
因为我们使用GCN的时候需要对邻接矩阵进行相乘 ，这个时候邻接矩阵变化了；