本文分析了图注意力网络及其在节点分类任务中的能力，通过对上下文随机块模型的探究，证明了在噪声情况下使用边特征的图注意力不如简单的图卷积，但当边特征干净时可以较好地区分内部边和外部边，以此优于经典的图卷积。

Oct, 2022

本研究关注于图神经网络中节点的注意力机制及其效果影响，特别地，对比研究了图同构网络，在设计出一系列简单的图推理任务后，研究发现在典型环境下注意力的作用微乎其微，甚至有害作用，但在某些条件下可以大幅度提高分类性能达到 60% 以上。为了实现这些条件，通常需要在初始化或监督训练注意力方面下功夫，并提出了一种弱监督训练注意力的方法，实现效果与有监督学习基本一致，比无监督学习在多个数据集上都要好。

May, 2019

本文提出一种使用注意力机制的图神经网络，通过去除中间的全连接层，并结合图结构实现对邻域的动态自适应的总结，从而达到降低参数数量，提高半监督学习效果的目的。

Mar, 2018

本研究提出 Causal Attention Learning (CAL) 策略，利用因果推断来处理图分类过程中存在的 confounding effect of shortcuts，该方法借助注意力模块估计因果特征和快捷特征，并对因果理论进行参数化背门调整。实验结果表明，CAL 策略在合成和真实数据集上均取得了良好的效果。

Dec, 2021

本文系统而集中地介绍了基于注意力机制的图神经网络在自然语言处理、计算机视觉和推荐系统等领域的应用，以及它们的优缺点。

Jun, 2022

本文提出新颖的神经网络结构图注意力网络（GATs），利用掩码的自我关注层处理图结构化数据的缺点，有效提出解决谱学派图神经网络中的几个关键挑战的方法，并在四个数据集上取得了最先进的结果。

Oct, 2017

提出了一种基于图神经网络的网络定位方法，通过结合关注机制，在严重的非直线视线传播情况下实现了卓越的稳定性和准确性，消除了离线校准或非直线视线识别的需求。

Nov, 2023

本文提出了一种新颖的框架，可以在任意图上学习空间和关注卷积神经网络，通过子图归一化和自我关注层，可以显著提高传统图内核和现有深度模型的图分类基准。

Nov, 2018

本文提出了一种新的基于注意力机制的图神经网络 GRAPH-BERT，通过在局部上下文中训练采样的无链接子图来学习 GRAPH-BERT，进而在节点分类和图聚类任务中通过微调 GRAPH-BERT 取得了良好的效果。

Jan, 2020

探究关系图注意力网络模型及其在分子属性建模中的应用。在与已建立的基准的比较中，相较于预期，发现关系图注意力网络表现较差；另提出了改进评估策略，以及未来方向的建议。

Apr, 2019