论文阅读和分析： “How Attentive are Graph Attention Networks?”

下面所有博客是个人对EEG脑电的探索，项目代码是早期版本不完整，需要完整项目代码和资料请私聊。


数据集
1、脑电项目探索和实现(EEG) (上)：研究数据集选取和介绍SEED
相关论文阅读分析：
1、EEG-SEED数据集作者的—基线论文阅读和分析
2、图神经网络EEG论文阅读和分析：《EEG-Based Emotion Recognition Using Regularized Graph Neural Networks》
3、EEG-GNN论文阅读和分析：《EEG Emotion Recognition Using Dynamical Graph Convolutional Neural Networks》
4、论文阅读和分析:Masked Label Prediction: Unified Message Passing Model for Semi-Supervised Classification
5、论文阅读和分析：《DeepGCNs: Can GCNs Go as Deep as CNNs?》
6、论文阅读和分析： “How Attentive are Graph Attention Networks?”
7、论文阅读和分析：Simplifying Graph Convolutional Networks

8、论文阅读和分析：LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
9、图神经网络汇总和总结
相关实验和代码实现：
1、用于图神经网络的脑电数据处理实现_图神经网络 脑电
2、使用GCN训练和测试EEG的公开SEED数据集
3、使用GAT训练和测试EEG公开的SEED数据集
4、使用SGC训练和测试SEED数据集
5、使用Transformer训练和测试EEG的公开SEED数据集_eeg transformer
6、使用RGNN训练和测试EEG公开的SEED数据集
辅助学习资料：
1、官网三个简单Graph示例说明三种层次的应用_graph 简单示例
2、PPI数据集示例项目学习图神经网络
3、geometric库的数据处理详解
4、NetworkX的dicts of dicts以及解决Seven Bridges of Königsberg问题
5、geometric源码阅读和分析：MessagePassin类详解和使用
6、cora数据集示例项目学习图神经网络
7、Graph 聚合
8、QM9数据集示例项目学习图神经网络
9、处理图的开源库

基本

GAT的缺点：

GAT计算的注意力非常有限：注意力得分的排名不受查询节点的限制。将这种受限的注意力正式定义为静态注意力。因为GAT使用静态注意力机制，所以存在GAT无法表达的简单图形问题：在受控问题中，发现静态注意力阻碍GAT甚至无法拟合训练数据。

提出GATv2：

一个动态图注意力变体，它比GAT更具表达力。进行了广泛的评估，表明GATv2在12个OGB和其他基准测试中优于GAT，同时匹配其参数成本。代码位于https://github.com/tech-srl/how_attentive_are_gats。GATv2 is available as part of the PyTorch Geometric library,
the DeepGraph Library,and the TensorFlow GNN library.
1、from torch_geometric.nn.conv.gatv2_conv import GATv2Conv
2、from dgl.nn.pytorch import GATv2Conv
3、from tensorflow_gnn.graph.keras.layers.gat_v2 import GATv2Convolution

结果：

算法理论：

和GAT相比，$a^T$的位置改变；
$${\mathbf{x}}_i^{\prime }={\alpha }_{i,i}\mathbf{\Theta }{\mathbf{x}}_i+\sum _{j\in \mathcal{N}(i)}{\alpha }_{i,j}\mathbf{\Theta }{\mathbf{x}}_j,$$
注意力权重：
$${\alpha }_{i,j}=\frac{\exp \left({\mathbf{a}}^{\top }\mathrm{LeakyReLU}\left(\mathbf{\Theta }[{\mathbf{x}}_i\Vert {\mathbf{x}}_j]\right)\right)}{{\sum }_{k\in \mathcal{N}(i)\cup \{i\}}\exp \left({\mathbf{a}}^{\top }\mathrm{LeakyReLU}\left(\mathbf{\Theta }[{\mathbf{x}}_i\Vert {\mathbf{x}}_k]\right)\right)}.$$
If the graph has multi-dimensional edge features ${\mathbf{e}}_{i,j}$ the attention coefficients ${\alpha }_{i,j}$ are computed as:
$${\alpha }_{i,j}=\frac{\exp \left({\mathbf{a}}^{\top }\mathrm{LeakyReLU}\left(\mathbf{\Theta }[{\mathbf{x}}_i\Vert {\mathbf{x}}_j\Vert {\mathbf{e}}_{i,j}]\right)\right)}{{\sum }_{k\in \mathcal{N}(i)\cup \{i\}}\exp \left({\mathbf{a}}^{\top }\mathrm{LeakyReLU}\left(\mathbf{\Theta }[{\mathbf{x}}_i\Vert {\mathbf{x}}_k\Vert {\mathbf{e}}_{i,k}]\right)\right)}.$$

geometric开源的代码：

由于标准GAT中的线性层在每个层之后立即应用，因此参与节点的排名不受查询节点的限制。相反，在GATv2中，每个节点都可以处理任何其他节点。

torch_geometric.nn — pytorch_geometric documentation (pytorch-geometric.readthedocs.io)

    def __init__(
        self,
        in_channels: Union[int, Tuple[int, int]],
        out_channels: int,
        heads: int = 1,
        concat: bool = True,
        negative_slope: float = 0.2,
        dropout: float = 0.0,
        add_self_loops: bool = True,
        edge_dim: Optional[int] = None,
        fill_value: Union[float, Tensor, str] = 'mean',
        bias: bool = True,
        share_weights: bool = False,
        **kwargs,
    ):
        
    def forward(self, x: Union[Tensor, PairTensor], edge_index: Adj,
                edge_attr: OptTensor = None,
                return_attention_weights: bool = None):        

参考：

论文阅读和分析：Graph Attention Networks_KPer_Yang的博客-CSDN博客
https://github.com/tech-srl/how_attentive_are_gats
https://arxiv.org/abs/2105.14491
https://pytorch-geometric.readthedocs.io/en/latest/modules/nn.html#torch_geometric.nn.conv.GATv2Conv