图 Transformer 为何不关注同一 token？
原文标题：Why don't Graph Transformers attend to the same token?
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究发现 SoTA 图 Transformer GRIT 在分子上很少形成注意力汇，且训练图越大汇越少，与 LLM 趋势相反。理论上图的对称性与局部性限制节点可接收的注意力，但分子上真正阻止汇的是注意力评分函数：将 GRIT 的门控 logit 换成点积，汇率从 0.09 升至 0.68。
- 问题
- 图 Transformer 为何不像 LLM 那样形成注意力汇，机制不明。
- 方法
- 分析 GRIT 的注意力分布，从图对称性、局部性与注意力评分函数三方面定位原因。
- 结果
- 把 GRIT 的门控 logit 换成点积，汇率从 0.09 升至 0.68；点积注意力下移除汇与移除随机节点误差相当。
- 影响
- 注意力汇是点积注意力的性质而非 Transformer 固有，图模型设计可据此调整评分函数。
深读 · 结论先行AI 生成展开看要点与影响 ↓
GRIT 分子上几乎不形成注意力汇，换成点积后汇率从 0.09 飙至 0.68。
- •SoTA 图 Transformer GRIT 在分子上很少形成注意力汇，且训练图越大汇越少，与 LLM 趋势相反。
- •理论上图的对称性与局部性限制节点可接收的注意力，但分子上可区分原子加全局注意力使这两条限制失效。
- •真正阻止汇的是注意力评分函数：把 GRIT 门控 logit 换成点积，汇率从 0.09 升至 0.68。
- •点积注意力图 Transformer 中移除汇节点与移除随机节点误差相当，而 GRIT 最受关注节点对预测有实质影响。
- •结论：注意力汇是点积注意力的属性，而非 Transformer 的固有属性。
为什么重要：把注意力汇的成因从架构归因收窄到评分函数，为图模型与 LLM 的注意力机制设计提供了可操作的干预点。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。