图数据在机器学习中的地位越来越重要。社交网络的用户关系、论文引用网络、分子结构，这些都不是传统的表格或序列数据能很好处理的。现实世界中实体之间的连接往往承载着关键信息。
图神经网络(GNN)的出现解决了这个问题，它让每个节点可以从邻居那里获取信息来更新自己的表示。图卷积网络(GCN)是其中的经典代表，但GCN有个明显的限制：所有邻居节点的贡献都是相等的（在归一化之后）。
这个假设在很多情况下并不合理。比如在社交网络中，不同朋友对你的影响程度肯定不一样；在分子中，也不是所有原子对化学性质的贡献都相同。
图注意力网络(GAT)就是为了解决这个问题而设计的。它引入注意力机制，让模型自己学会给不同邻居分配不同的权重，而不是简单地平均处理。用一个比喻来说，GCN像是"听取所有朋友的建议然后求平均"，而GAT更像是"重点听那些真正懂行的朋友的话"。
本文文会详细拆解GAT的工作机制，用一个具体的4节点图例来演示整个计算过程。如果你读过原论文觉得数学公式比较抽象，这里的数值例子应该能让你看清楚GAT到底是怎么运作的。
GAT的核心思想
GAT的设计目标很直接：让每个节点能够智能地选择从哪些邻居那里获取信息，以及获取多少信息。
任何图都包含三个基本要素：节点(V)代表图中的实体，边(E)表示实体间的关系，特征(X)是每个节点的属性向量。
GAT层的工作流程可以概括为：输入节点特征，通过线性变换投影到新的特征空间，计算节点间的注意力分数，用softmax进行归一化，最后按注意力权重聚合邻居信息得到新的节点表示。
我们用一个简单的4节点图来演示这个过程。节点A、B、C、D的连接关系如下图所示：
为了便于手工计算，我们设定每个节点的特征维度为3：
- 节点A：[1.0, 0.5, 0.2]
- 节点B：[0.9, 0.1, 0.3]
- 节点C：[0.4, 0.7, 0.8]
- 节点D：[0.2, 0.3, 0.9]
把这些特征向量按行排列，就得到了特征矩阵 X ∈ ℝ⁴ˣ³：
矩阵的每一行对应一个节点，每一列对应一个特征维度。我们有4个节点，每个节点3个特征，所以是4×3的矩阵。
线性变换：特征投影
GAT计算注意力之前，需要先对节点特征进行线性变换。这一步用共享的权重矩阵W将原始特征投影到新的特征空间。
线性变换的作用有两个：一是让模型能学到更好的特征表示，二是可以调整特征维度来适应不同任务的需要。数学表达式是：
我们设定原始特征维度F=3，变换后的维度F′=2，权重矩阵W的值为（实际应用中这些权重是随机初始化然后训练得到的）：
以节点A为例，它的原始特征向量是：
与权重矩阵W相乘得到：
对所有节点进行同样的变换：
变换后的特征矩阵是：
现在每个节点都从3维特征变成了2维特征。
注意力分数计算
有了变换后的特征，接下来要计算注意力分数。这些分数反映了在信息聚合时，一个节点对另一个节点的重要程度。
对于边(i,j)，注意力分数的计算公式是：
这里eij可以理解为邻居j对节点i的"原始重要性分数"。
设定变换后的特征维度F′=2，注意力向量a为（实际中这个向量也是训练学习得到的）：
使用前面得到的变换特征：
计算边A→B的注意力分数。首先将节点A和B的特征连接起来：
然后与注意力向量a做点积：
0.5(0.26) + 0.6(0.77) + 0.7(0.20) + 0.8(0.59) = 1.204
应用LeakyReLU激活函数（由于结果是正数，值保持不变）：
用同样的方法计算其他边的注意力分数：
到这里得到的是未归一化的注意力分数，它们可以是任意实数。下一步需要用softmax对这些分数进行归一化，让它们变成类似概率的形式，便于比较和使用。
Softmax归一化：注意力权重分配
现在有了每条边的未归一化注意力分数eij，但这些原始分数的数值范围不一致，没法直接比较。一个节点的分数可能在1.0左右，另一个节点的分数可能在5.0左右。
Softmax函数能够解决这个问题，它将每个节点的所有邻居注意力分数转换为概率分布：
其中：
Softmax确保每个节点对其所有邻居的注意力系数加起来等于1。
以节点A为例进行计算：
结果显示节点A给B分配38.3%的注意力，给C分配61.6%的注意力。
所有节点的归一化注意力系数如下表：
从这些结果可以看出：节点A更偏向于关注节点C而不是B；节点B在A和D之间的注意力分配比较均匀；节点C和D各自只有一个邻居，所以所有注意力都分配给了那个邻居。
特征聚合：生成新的节点表示
有了注意力系数αij，每个节点就可以通过聚合邻居的特征来更新自己的表示了：
简单说就是：用重要性权重对每个邻居的特征进行加权，求和后再应用激活函数。
节点A的聚合计算过程：
所有节点聚合后的特征：
- 节点A：[0.335, 0.836]
- 节点B：[0.306, 0.769]
- 节点C：[0.260, 0.770]
- 节点D：[0.200, 0.590]
激活函数σ通常使用ELU（Exponential Linear Unit）。对于正数ELU直接保持原值；对于负数ELU会进行平滑处理而不是像ReLU那样直接置零，这种设计让模型能够学习到比线性组合更复杂的模式。
注意力机制决定了邻居的重要性，聚合过程则产生了融合邻居信息的新节点表示。
多头注意力：多视角信息融合
前面介绍的是单个注意力头的工作方式：变换特征→计算注意力→softmax归一化→聚合邻居信息。
实际应用中，GAT会同时使用多个注意力头，这个设计借鉴了Transformer架构。
多头机制的好处很明显。单个注意力头可能会过度偏向某个邻居（比如节点A对C的偏好过强），多个头可以提供不同的视角来平衡这种偏向。每个头都有自己的权重矩阵Wk和注意力向量ak，它们关注邻域的不同方面。在中间层不同头的输出通常会被拼接起来；在最终层则通常取平均值来产生最终预测。
对于K个注意力头，节点i的更新表示为：
假设我们用2个头处理4节点图。头1可能学会让节点A给C分配70%权重，给B分配30%权重；头2可能学会相反的分配策略，给C分配40%权重，给B分配60%权重。当我们把两个头的结果拼接起来时，节点A的最终嵌入就包含了两种不同的邻居关系视角。
这种多样性让模型的表达能力更强，避免陷入单一的注意力模式。
GAT的训练过程
GAT layer本身只是前向计算的一部分，训练的目标是调整权重矩阵W^k 和注意力向量a^k，让网络在具体任务（比如节点分类）上表现更好。这些参数一开始是随机初始化的，然后通过反向传播不断优化。
训练流程比较标准：输入包括图G=(V,E)、节点特征矩阵X ∈ ℝ^{N×F}，以及部分节点的标签。前向传播让特征通过各个GAT层，每层都进行特征变换、注意力计算和邻居聚合，最终层用softmax输出每个节点的类别概率。
损失计算通常用交叉熵，但只针对有标签的节点。反向传播计算损失对参数的梯度，这些梯度会流经注意力机制，更新邻居权重的分配策略。
优化器一般选Adam，学习率设在0.001到0.01之间。为了防止过拟合，会在节点特征和注意力系数上应用dropout，同时对权重W加上L2正则化。
多头训练让每个注意力头学习各自的参数，专注于邻域的不同特性。根据任务需要，头的输出要么拼接（捕获多个视角），要么取平均（稳定预测）。
总结
GAT的整个工作流程可以用一句话概括：线性变换→注意力计算→softmax归一化→特征聚合=上下文感知的节点嵌入。
这套机制自动解决了很多实际问题。在社交网络中谁对你影响更大，最好的朋友还是普通熟人？在分子结构中哪些原子主导了化合物的性质？在论文引用网络中经典研究和普通引用的权重应该如何分配？GAT通过学习关系的相对重要性来回答这些问题。
当然GAT也有局限性。在超大规模图上，注意力计算的开销比较高；在小数据集上，模型容易过拟合。但它已经成为图学习领域最受欢迎的工具之一，广泛应用于社交媒体分析、推荐系统、药物发现等领域。
如果你理解了GAT的数学原理和计算过程，就可以考虑在自己的领域里尝试这个方法。不管是社交网络、知识图谱还是分子生物学，GAT都有很大的应用潜力。
https://avoid.overfit.cn/post/b1c7efd4b1004512a98ebf3fcecce8e7
作者：Adarsha Pandey
