作者：Petar Velickovic, Guillem Cucurull, Arantxa Casanova, Yoshua Bengio
来源： ICLR 2018
链接： link
研究机构：Department of Computer Science and Technology；Centre de Visi´o per Computador, UAB；Montreal Institute for Learning Algorithms
源码链接： source code
这篇文章主要利用Attention机制计算Graph中节点的表示。通常在Graph中，节点的属性与其邻近节点的关系非常密切，打个比方，判断一篇论文的研究方向，除了可以通过论文本身来判断，还可以根据其引用的参考文献来大致判断。
Background
GAT architechture
令Graph attentional layer的输入是，其中
是节点数，
是每个节点特征数。同时令输出为
。
与普通的self-attention类似，Graph Attention也是计算节点与节点之间的注意力权重，通过加权和得到输出。考虑一个问题：如果按照普通self-attention的方式来处理Graph attentional layer的输入，那么处理流程就与普通序列无异，导致丢失所有的图结构信息。考虑到图结构中，与目标节点距离越大，意味着关联性越小，因此作者在计算attention的时候仅考虑与目标节点相邻的节点。在这篇文章中，仅考虑一阶邻近的节点。
假设目标节点是，其一阶邻近节点集合表示为
。对于
，
之间的score function表示为
，计算方法如下：
其中，,
，
表示向量拼接。
最后，可以表示为：
当然了，Graph attentional layer可以是multi-head的，文章提供了两种multi-head graph attention的aggregation方法，分别是向量拼接和平均（如图所示）。假设有个独立的graph attention模块，那么这两种aggregation下的输出可以表示为：
Evaluation
作者将GAN应用到了两个任务：Transductive learning和Inductive learning，前者选取了3个数据集，后者1个数据集。最终GAN能够取得超过或者持平SOAT的结果。
