談幾點深入的理解
1. 與GCN的聯繫與區別
無獨有偶，我們可以發現本質上而言：GCN與GAT都是將鄰居頂點的特徵聚合到中心頂點上（一種aggregate運算），利用graph上的local stationary學習新的頂點特徵表達。不同的是GCN利用了拉普拉斯矩陣，GAT利用attention係數。一定程度上而言，GAT會更強，因爲 頂點特徵之間的相關性被更好地融入到模型中。
2. 爲什麼GAT適用於有向圖？
我認爲最根本的原因是GAT的運算方式是逐頂點的運算（node-wise），這一點可從公式（1）—公式（3）中很明顯地看出。每一次運算都需要循環遍歷圖上的所有頂點來完成。逐頂點運算意味着，擺脫了拉普利矩陣的束縛，使得有向圖問題迎刃而解。
3. 爲什麼GAT適用於inductive任務？
GAT中重要的學習參數是 W 與 a(·) ，因爲上述的逐頂點運算方式，這兩個參數僅與頂點特徵相關，與圖的結構毫無關係。所以測試任務中改變圖的結構，對於GAT影響並不大，只需要改變 Ni，重新計算即可。
與此相反的是，GCN是一種全圖的計算方式，一次計算就更新全圖的節點特徵。學習的參數很大程度與圖結構相關，這使得GCN在inductive任務上遇到困境。
