私たちはグラフアテンションネットワーク（GATs）を提案します。これは、グラフ構造データに対して動作する新しいニューラルネットワークアーキテクチャであり、マスク付き自己注意層を活用して、従来のグラフ畳み込みやその近似に基づく手法の欠点を克服します。ノードが近傍の特徴に注意を払う層を積み重ねることで、近傍内の異なるノードに異なる重みを（暗黙的に）指定することが可能になります。これには高コストな行列演算（逆行列など）を必要とせず、あらかじめグラフ構造を知る必要もありません。この方法により、スペクトルベースのグラフニューラルネットワークにおけるいくつかの重要な課題を同時に解決し、モデルを帰納的問題および伝導的問題に容易に適用できるようにしました。私たちのGATモデルは、Cora、Citeseer、Pubmed引用ネットワークデータセットおよびプロテイン-プロテイン相互作用データセット（訓練中にテストグラフが見られない状況での評価）において、既存の4つの伝導的および帰納的グラフベンチマークで最先端またはそれに匹敵する結果を達成しています。