标签：GAT 入门 sum Attention 笔记 right 节点 left

GAT图注意力网络

GAT 采用了 Attention 机制，可以为不同节点分配不同权重，训练时依赖于成对的相邻节点，而不依赖具体的网络结构，可以用于 inductive 任务。

假设 Graph 包含 $N$ 个节点，每个节点的特征向量为 $h_i$，维度是 $F$，如下所示：

\begin{gathered}
\boldsymbol{h}=\left\{h_{1}, h_{2}, \ldots, h_{N}\right\} \\
h_{1} \in R^{F}
\end{gathered}

节点 $j$ 是节点 $i$ 的邻居，则可以使用 Attention 机制计算节点 $j$ 对于节点 $i$ 的重要性，即 Attention Score：

\begin{gathered}
e_{i j}=\operatorname{Attention}\left(W h_{i}, W h_{j}\right) \\
\alpha_{i j}=\operatorname{Softmax}_{j}\left(e_{i j}\right)=\frac{\exp \left(e_{i j}\right)}{\sum_{k \in N_{i}} \exp \left(e_{i k}\right)}
\end{gathered}

注意这个 $w$ 都是同一个

GAT 具体的 Attention 做法如下，把节点 $i、j$ 的特征向量 $h'_i$、$h'_j$ 拼接在一起，然后和一个 $2F'$ 维的向量 $a$ 计算内积。激活函数采用 LeakyReLU，公式如下：

$$
\alpha_{i j}=\frac{\exp \left(\operatorname{LeakyReLU}\left(a^{T}\left[W h_{i} \| W h_{j}\right]\right)\right)}{\sum_{k \in N_{i}} \exp \left(\operatorname{LeakyReLU}\left(a^{T}\left[W h_{i} \| W h_{k}\right]\right)\right)}
$$
|| 表示拼接操作

经过 Attention 之后节点 $i$ 的特征向量如下：

$$h_{i}^{\prime}=\sigma\left(\sum_{j \in N_{i}} \alpha_{i j} W h_{j}\right)$$

GAT 也可以采用 Multi-Head Attention，如果有 K 个 Attention，则需要把 K 个 Attention 生成的向量拼接在一起，如下：

$$h_{i}^{\prime}=\operatorname{concat}\left(\sigma\left(\sum_{j \in N_{i}} \alpha_{i j}^{k} W^{k} h_{j}\right)\right)$$

但是如果是最后一层，则 K 个 Attention 的输出不进行拼接，而是求平均：

$$h_{i}^{\prime}=\sigma\left(\frac{1}{K} \sum_{k=1}^{K} \sum_{j \in N_{i}} \alpha_{i j}^{k} W^{k} h_{j}\right)$$

参考链接：https://ai.baidu.com/forum/topic/show/972764

标签：GAT,入门,sum,Attention,笔记,right,节点,left
来源： https://www.cnblogs.com/lfri/p/15546394.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。