圖注意力網路 是什麼？
Graph Attention Network：圖注意力網路 的完整解釋
使用注意力機制對圖的鄰域進行聚合的 GNN 模型，能為不同鄰居節點分配不同的權重。
核心概念
注意力機制的核心思想是為不同的輸入分配不同的重要性權重。在 Transformer 等序列模型中，注意力權重決定了每個位置對其他位置的關注程度。GAT 將這個思想遷移到圖上，對於每個節點的每條入邊，計算一個注意力係數，表示源節點對目標節點的「重要程度」。
GAT 的核心優勢在於其適應性。不同的節點對其鄰域的聚合需求不同。某些節點可能需要重視少數關鍵鄰居，而另一些則需要均衡考慮所有鄰域。GAT 讓模型自動學習這些差異，提升了模型的靈活性。
運作原理
GAT 的層級計算分為三步：
線性變換：對於輸入特徵矩陣 H^(l)，首先進行線性變換：
H' = H^(l) W，其中 W 是可學習的變換矩陣
注意力係數計算：對於邊 (i, j)，使用注意力機制計算權重係數：
e_ij = LeakyReLU(a^T [H'_i || H'_j])
α_ij = softmax_j(e_ij) = exp(e_ij) / Σ_k exp(e_ik)
其中 a 是可學習的注意力向量，[·||·] 表示向量串聯，softmax 對每個節點的所有入邊進行歸一化，確保權重和為 1。
- 特徵聚合：聚合加權鄰域特徵：
- H_i^(l+1) = σ(Σ_j∈N(i) α_ij H'_j)
其中 N(i) 是節點 i 的鄰域（包括自身），σ 是激活函數。
- 多頭注意力：為了增加表現力，GAT 使用多頭注意力，並行計算多組注意力權重。最終輸出是所有頭的聚合（串聯或平均）。
實際應用
知識圖譜補全：GAT 在知識圖譜中計算不同關係的重要性，對稀有邊（如稀見的三元組）能更細緻地學習。
蛋白質相互作用預測：在蛋白質互作網路上，GAT 根據序列相似性和結構特徵自動權衡不同鄰居蛋白的影響，預測新的相互作用。
推薦系統：在使用者-物品圖上，GAT 能識別使用者的「核心興趣」物品和「邊際興趣」物品，為不同用戶提供個性化推薦。
文件分類：將文件表示為詞語共現圖，GAT 学習詞語間的上下文關係，提升文件分類精度。
視覺推理：在場景圖（scene graph）上使用 GAT，為不同物體對間的視覺關係分配不同權重，改進視覺問答任務。
常見誤區
誤區一：注意力權重總是稀疏的。GAT 的注意力權重是 softmax 的結果，理論上所有權重都非零且和為 1。實際中權重分佈可能相對集中（少數高權重），但不一定稀疏。某些任務上，注意力可能相對均勻分佈。
誤區二：GAT 的注意力權重完全可解釋。雖然 GAT 的注意力權重看起來可解釋（如可視化高權重邊），但這些權重是許多因素（初始化、訓練損失、正則化）交互的結果，不一定反映邏輯上的「重要性」。直接解釋權重可能誤導。
誤區三：多頭注意力總是優於單頭。多頭注意力增加表現力但也增加參數和計算量。在小圖或特徵維數已高的情況下，多頭未必帶來收益，反而可能過擬合。
誤區四：GAT 對稀疏邊總是處理良好。若某些節點的鄰域特別稀疏或孤立，即使使用注意力機制也無法充分聚合資訊，反而可能增加方差。稀疏圖需要特殊處理（如圖平滑化、採樣）。
與相關技術的比較
GCN：GCN 使用固定的度歸一化權重，GAT 使用可學習的動態權重。GAT 更靈活，但計算複雜度更高（注意力計算涉及 softmax）。
GraphSAGE：GraphSAGE 使用簡單的聚合函數（平均、LSTM），不涉及注意力。GAT 的注意力機制更精細，適合邊權重變異大的圖。
Transformer：Transformer 是 GAT 在序列模型上的對應物。Transformer 中每個位置關注所有其他位置，GAT 中每個節點關注其圖鄰域。二者都使用多頭自注意力。
邊權圖神經網路：某些 GNN 設計允許邊有權重（edge features）。GAT 在無邊特徵的圖上動態產生注意力權重，相當於學習邊的隱向量表示。