GNNs Prof. Anderson Rocha Tavares Slide 16 / 24

Graph Attention Network (GAT)

Bloco 3 β€” Atenção em Grafos

πŸ—οΈ Arquitetura GAT
Ξ±=0.67 Ξ±=0.24 Ξ±=0.09 A B C v hA=[2,2] hB=[1,0] hC=[0,2] hv=[1,1]
βˆ‘ hv(l+1) = Οƒ( Ξ£u∈N(v)βˆͺ{v} Ξ±vu Β· W Β· hu(l) )
Arestas mais espessas = maior atenção
πŸ”’ CΓ‘lculo de Atenção β€” Passo a Passo
amarelo = linha/coluna origem   verde = cΓ©lula selecionada   Clique em Wh para destacar.
β‘  Projeção: Wh = W Β· h
W (2Γ—2)
Β·
h (4Γ—2)
=
Wh (4Γ—2)
β‘‘ Score: e = aTΒ·[Whvβ€–Whu]
a = 1 1 | 1 0 ← Whv | Whu
β‘’ Softmax β†’ Ξ± Ξ±vu = exp(evu) / Ξ£ exp(e)
🎯 GAT aprende automaticamente quais vizinhos merecem mais atenção. O vetor a é treinado junto com W pelo gradiente descendente.