---
title: "圖注意力網路（Graph Attention Network）"
slug: graph-attention-network
language: zh-TW
source: https://aiterms.tw/terms/graph-attention-network
updated_at: 2026-06-22
tags: [深度學習, 神經網路, AI基礎, AI應用]
ipas_term: false
---

# 圖注意力網路（Graph Attention Network）

使用注意力機制對圖的鄰域進行聚合的 GNN 模型，能為不同鄰居節點分配不同的權重。

## 完整說明

圖注意力網路（GAT）由 Velickovic 等人在 2018 年提出，引入自注意力（self-attention）機制到圖神經網路。與 GCN 對所有鄰域節點採用相同歸一化權重不同，GAT 動態計算每條邊的注意力權重，使模型能自動學習哪些鄰居對當前節點最重要。GAT 將注意力機制的成功從自然語言處理帶到圖領域，增強了模型的表現力和可解釋性。

## 常見問題

### GAT 為什麼要使用多頭注意力？

多頭注意力允許模型在多個表示空間並行學習。每個頭可能捕捉不同的語義或結構模式。例如，某個頭可能學習「相同類別的鄰居更重要」，另一個頭可能學習「度數相近的鄰居更相關」。多頭聚合後，模型能同時利用多個視角，提升表現力和魯棒性。但代價是參數增加和計算速度下降。

### GAT 在訓練過程中注意力權重如何演變？

初期，注意力權重由隨機初始化的注意力向量 a 決定，分佈相對均勻。隨著訓練進行，損失函數優化權重矩陣 W 和 a，注意力權重逐漸適應任務。最終，高重要性的邊權重升高，低重要性邊權重降低。在某些任務中，權重分佈可能最終集中（少數邊主導），在其他任務中可能保持相對均勻。這個演變過程無法被完全預測，需透過可視化和分析來理解。

### 能否在 GAT 中使用邊特徵（邊權重或邊屬性）？

標準 GAT 未考慮邊特徵。若要融合邊特徵，有幾個做法：(1) 將邊特徵拼接到節點特徵（如在計算注意力時同時考慮邊屬性），(2) 修改注意力公式，讓注意力權重依賴於邊特徵，(3) 使用邊特徵預初始化注意力。這些修改在一些應用（如交通圖、知識圖譜）上被嘗試過，但標準實現中通常忽略邊特徵。

---

來源：https://aiterms.tw/terms/graph-attention-network
快查頁：https://aiterms.tw/terms/graph-attention-network
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-graph-attention-network