Graph Attention Networks（简称 GATs）是一种为图结构数据设计的神经网络，由 Petar Veličković 和他的同事在 2017 年提出，相关论文成果为「Graph Attention Network」。 GATs 通过使用掩蔽的自注意力层 (masked self-attentional layers)，解决了基于图卷积或其近似方法的先前技术的局限性。 GATs 的节点能够在其邻居特征上进行注意力操作，从而无需进行成本高昂的矩阵运算（例如求逆）或事先了解图结构，就能隐式地为不同节点指定不同的权重。这使得 GATs 能够同时应对基于谱的图神经网络的几个关键挑战，并使模型能够方便地应用于归纳问题以及传统问题。