graph-attention-network

最新推荐文章于 2025-05-18 16:35:12 发布

原创最新推荐文章于 2025-05-18 16:35:12 发布 · 264 阅读

·

0

·

CC 4.0 BY-SA版权

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

文章标签：

#node.js #python #算法

python 同时被 3 个专栏收录

42 篇文章

订阅专栏

27 篇文章

订阅专栏

26 篇文章

订阅专栏

本文探讨了图相关的算法中节点embedding的迭代更新过程，并详细解析了图注意力网络(GAT)的工作原理。通过建立相邻边的注意力机制，GAT能够更有效地捕捉节点间的复杂关系。文章还介绍了multi-head机制如何进一步增强图注意力的效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

representation

$h=\{\vec{h_1},\vec{h_2}...\vec{h_N}\}, h_i\in R^F$

N is the number of Nodes

node feature

neighbourhood+leakrelu->node

$\alpha_{ij} =softmax_j(e_{ij})=e_{ij}/\sum_{k\epsilon N_i}e_{ik}$

$a_{ij}= \frac{exp\(LeakRelu(\vec{\alpha }^t[W_{h_i}||W_{h_j}])\)}{\sum_{k\in N_i}exp\(LeakRelu\(\vec{\alpha^t }[W_{h_i||W_{h_k}}]\)\)}$

update

$h_{i,}=\sum_{j\in N_j}\alpha _{ij}h_j*W_{h_j}$

with head=k

multi-head+neighbourhood->node

$h_{i}^{'}=\parallel_{k=1}^K\ \sum_{j\in N_j}\alpha _{ij}^kh_j*W_{h_j}^k$

graph相关的算法，都是相邻点的embedding表达，不断的迭代， gat就是通过建立相邻边的attention，来拟合周边attention，

multihead机制，提升图attention效果

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。