GRAPH ATTENTION NETWORKS图注意力网络

本文介绍了图注意力网络(GAT)的架构,特别是图注意力层。GAT通过权重矩阵和注意力机制转换节点特征,使用LeakyReLU进行正则化,并通过多头注意力机制增强学习稳定性。最终,通过平均化多头注意力的输出,适用于图数据的分类任务。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

GRAPH ATTENTION NETWORKS

图注意力网络
在这里插入图片描述

2.GAT架构

2.1 GRAPH ATTENTIONAL LAYER

从一个单层图注意力层开始介绍

输入:节点特征:在这里插入图片描述
​ ( N 是节点数量 ,F是节点特征数量)

输出是一个新的节点特征

h'={h1',h2',h3}
为了把输入的特征变为输出特征,引入一个权重矩阵W(F’行F列)
在这里插入图片描述

接着对每个节点实施self-attention]
在这里插入图片描述
计算注意力系数

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值