HATT v2.0：针对 Legacy GAT 的改进
HATT v2.0 做了什么？
Legacy GAT 的两个根本缺陷：
- 节点级聚合：输出是 agent 节点 embedding，不是 agent-task 边得分，logits 与任务无显式对应。
- 无联盟建模：任务表示没有包含"哪些 agent 已经加入该任务"，无法做协作决策。
HATT v2.0 的两个核心改进：
- 显式 agent-task 边级解码（CandidateEdgeDecoder）：让 $\text{logits}_i[m]$ 直接对应 $\text{pair}[i,m]$，满足任务索引等变性。
- 联盟聚合（Coalition Aggregation）：把已分配/正在执行同一任务的 agent 特征聚合到任务表示中。
Legacy GAT： HATT v2.0：
x_i ──→ GATConv ──→ h_i^(2) ego_i ──→ self_h ──┐
↓ others_i → other_h─┼──→ aa_attention
GlobalPool tasks_i → task_h──┘ ↓
↓ coalition_aggregation
MLP ──→ logits_i ↓
agent_context + task_context ──→ CandidateEdgeDecoder
↓
logits_i[m] = score(pair[i,m])
---
改进 1：显式 agent-task 边级解码
Legacy GAT 的问题：
$$\text{logits}_i = \text{MLP}\big([\bar{o}_i \;\|\; \mathbf{h}_i^{(2)} \;\|\; \mathbf{h}_{\text{pool}}]\big)$$
MLP 输出 $M$ 维向量，但第 $m$ 维与 Task $m$ 没有结构上的绑定。
HATT v2.0 的做法：
$$\text{score}_{i,m} = \text{CandidateEdgeDecoder}\big(\underbrace{\text{agent\_context}_i}_{\text{agent } i}, \underbrace{\text{task\_context}_{i,m}}_{\text{task } m}, \underbrace{\text{at\_features}_{i,m}}_{\text{边特征}}\big)$$
$$\text{logits}_i = [\text{score}_{i,1}, \text{score}_{i,2}, \dots, \text{score}_{i,M}] \in \mathbb{R}^{M}$$
Decoder 内部：
$$\text{score}_{i,m} = \text{MLP}\big([\text{agent\_context}_i \;\|\; \text{task\_context}_{i,m} \;\|\; \text{at\_features}_{i,m}]\big)$$
效果：$\text{logits}_i[m]$ 显式对应 agent $i$ 选择 task $m$ 的得分。交换 task $i$ 和 task $j$ 的输入，$\text{logits}_i[i]$ 和 $\text{logits}_i[j]$ 自动交换，满足任务索引等变性。
---
改进 2：联盟聚合（Coalition Aggregation）
动机：任务表示应该包含"当前已经有哪些 agent 加入这个任务"。
对 agent $i$ 视角下的每个任务 $m$，聚合属于该任务的 agent 特征：
$$\mathbf{C}_{i,m}^{\text{sum}} = \text{self\_h}_i \cdot \mathbb{1}[i \in m] + \sum_{n=1}^{N_a} \text{other\_h}_n \cdot \mathbb{1}[n \in m]$$
$$\mathbf{C}_{i,m}^{\text{mean}} = \frac{\mathbf{C}_{i,m}^{\text{sum}}}{|\{n : n \in m\}|}$$
$$c_{i,m} = \frac{|\{n : n \in m\}|}{N_a}$$
然后更新任务表示：
$$\text{task\_context}_{i,m} = \text{task\_h}_m + \text{MLP}\big([\text{task\_h}_m \;\|\; \mathbf{C}_{i,m}^{\text{sum}} \;\|\; \mathbf{C}_{i,m}^{\text{mean}} \;\|\; c_{i,m}]\big)$$
效果：任务 $m$ 的表示不再只是任务自身特征，而是包含了其联盟成员构成、能力总和、平均能力、成员数量。agent $i$ 做决策时可以判断"我加入后能否补足能力缺口"。
---
HATT v2.0 完整公式链
1. Encoder
$$\text{self\_h}_i = \text{MLP}_{\text{self}}(\text{ego}_i) \in \mathbb{R}^{64}$$
$$\text{other\_h}_n = \text{MLP}_{\text{other}}(\text{others}_{i,n}) \in \mathbb{R}^{64}$$
$$\text{task\_h}_m = \text{MLP}_{\text{task}}(\text{tasks}_{i,m}) \in \mathbb{R}^{64}$$
2. Agent-Agent 注意力
$$\text{aa\_context}_i = \text{RelationAttention}(\text{self\_h}_i, \{\text{other\_h}_n\}_{n=1}^{N_a}, \text{aa\_features}) \in \mathbb{R}^{64}$$
3. Agent Context
$$\text{agent\_context}_i = \text{LayerNorm}\left(\text{self\_h}_i + \text{MLP}_{\text{fusion}}([\text{self\_h}_i \;\|\; \text{aa\_context}_i])\right) \in \mathbb{R}^{64}$$
4. Coalition Aggregation
$$\mathbf{C}_{i,m}^{\text{sum}}, \mathbf{C}_{i,m}^{\text{mean}}, c_{i,m} = \text{AggregateCoalition}(\text{self\_h}_i, \{\text{other\_h}_n\}, m)$$
5. Task Context
$$\text{task\_context}_{i,m} = \text{LayerNorm}\left(\text{task\_h}_m + \text{MLP}_{\text{task\_fusion}}([\text{task\_h}_m \;\|\; \mathbf{C}_{i,m}^{\text{sum}} \;\|\; \mathbf{C}_{i,m}^{\text{mean}} \;\|\; c_{i,m}])\right) \in \mathbb{R}^{64}$$
6. CandidateEdgeDecoder
$$\text{score}_{i,m} = \text{MLP}_{\text{decoder}}([\text{agent\_context}_i \;\|\; \text{task\_context}_{i,m} \;\|\; \text{at\_features}_{i,m}])$$
$$\text{logits}_i = [\text{score}_{i,1}, \dots, \text{score}_{i,M}] \in \mathbb{R}^{M}$$
7. Action Distribution
$$\pi_i = \text{softmax}(\text{logits}_i) \in \mathbb{R}^{M}$$
---
Legacy GAT vs HATT v2.0 对比
|
Legacy GAT |
HATT v2.0 |
| 注意力对象 |
图中所有节点（agent + task） |
agent-agent 关系 + 任务上下文 |
| 中间表示 |
节点 embedding + 全局池化 |
agent context + task context（含联盟信息） |
| logits 生成 |
MLP 从图向量映射到 logits |
CandidateEdgeDecoder 对每条边独立打分 |
| 任务等变性 |
不满足（global pool invariant） |
满足（位置对应解码） |
| 联盟建模 |
无 |
scatter_add_ 聚合同任务成员 |
| 实验效果 |
成功率 25–72% |
成功率 84%+ |