关系图注意力网络-Relational Graph Attention Networks- 专知

会员服务 ·

关系图注意力网络-Relational Graph Attention Networks

专知出品

导读

关系图卷积网络(RGCNs)是GCNS对关系图域的一种扩展。本文以RGCN为出发点，研究了一类关系图注意力网络(RGATs)模型，将关注机制扩展到关系图域。

作者 | Dan Busbridge, Dane Sherburn, Pietro Cavallo & Nils Y. Hammerla

编译 | Xiaowen

【论文便捷下载】

请关注专知公众号（点击上方蓝色专知关注）

后台回复“RGAT”就可以获取《关系图注意力网络》的论文PDF下载链接~

我们研究了关系图注意力网络，这类模型扩展了非关系图的注意力机制以合并关系信息，从而为更广泛的问题开辟了一些方法。我们对这些模型进行了彻底的评估，并与既定的基准进行了比较。为了提供一个有意义的比较，我们重新训练了关系图卷积网络（Relational Graph Convolutional Networks），即关系图注意力网络的谱对应体（spectral counterpart of Relational Graph Attention Networks），并在相同的条件下对它们进行了评价。我们发现关系图注意力网络的性能比预期差，尽管一些配置对模拟分子特性有一定的帮助。我们对此提出了见解，并建议对评价战略的修改，以及今后工作的研究方向。

本文以RGCN为出发点，研究了一类关系图注意力网络(RGATs)模型，将关注机制扩展到关系图域。我们考虑两个变体，内部关系图注意力(WIRGAT)和跨关系图注意力(ARGAT)，每个变量都具有加性和乘性注意力。我们进行了广泛的超参数搜索，并对具有挑战性的传感器节点分类和归纳图分类任务进行了评估。将这些模型与已建立的基准以及重新调整的RGCN模型进行比较。

内部关系图注意力(WIRGAT)结构图