图神经网络论文阅读(十) SPAGAN: Shortest Path Graph Attention Network，IJCAL2019

本文的作者来自美国史蒂文斯理工学院；浙大；纽约州立大学布法罗分校；悉尼大学。
本文提出了一种基于最短路径的注意力网络：Shortest Path Graph Attention Network (SPAGAN)，SPAGAN进行了基于路径的注意力，它明确地考虑了在中心节点与其高阶邻居之间产生最小代价或最短路径的一系列节点的影响。与基于节点的GCN方法相比，SPAGAN允许对图结构进行更有信息量和更完整的探索，并进一步更有效地将来自遥远邻居的信息聚合到中心节点。本文提出了一种双重注意力机制，在距离中心节点最短路径相同的所有节点之间应用第一层注意力，目的是聚合来自同样距离的结点的特征；第二层注意力被应用在距离相同中心节点距离不同的节点，整合不同距离下的特征。

Proposed Method

废话没有，直接看模型架构：

• 给定一个图，对于每个中心节点，我们计算其高阶邻居§的一组变长最短路径，然后提取其特征作为路径特征。从图中可以看到，不同最短路径的长度是不一样的。长度为三的有三条，为二的有两条。
• 然后利用最短路径注意机制（Shortest Path Attention）计算它们相对于中心节点的注意系数。也就是对所有长度为3的路径都计算相对于中心节点的注意力，长度为2的也计算…直到把所有长度的路径的注意力都计算一遍。